机器学习之 K 近邻算法图像识别实战

引言

在机器学习领域，K 近邻算法（K-Nearest Neighbors, KNN）是一种基于实例的学习方法，它可以根据样本之间的距离来进行分类或回归。本文将介绍如何使用 KNN 算法进行手写数字识别，并通过一个实际的例子来演示整个过程。

K 近邻算法简介

K 近邻算法的工作原理非常直观：给定一个训练数据集，对于每一个待分类的对象，找出特征空间中最接近它的 K 个训练样本，这 K 个样本的多数类别决定了待分类对象的类别。

• 距离度量：通常使用欧氏距离作为相似性度量。
• K 的选择：K 的值决定了分类的灵活性，较小的 K 值使得分类更加敏感，较大的 K 值则更加稳健。

实战案例：手写数字识别

准备数据

我们使用一个包含手写数字的数据集。数据集中的每个数字都已经被分割成了大小为 20x20 的图像块。

数据加载与预处理

import numpy as np
import cv2

# 读取训练图像并转换为灰度图像
img = cv2.imread('df1e4aba824b59187b50474c839c6c3.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 将训练图像分割成小图像块
cells = [np.hsplit(row, 100) for row in np.vsplit(gray, 50)]
x = np.array(cells)

# 分割训练集和测试集
train = x[:, :50]
test = x[:, 50:100]

# 将训练集和测试集的小图像块展平为一维数组，并转换为浮点型数据
train_new = train.reshape(-1, 400).astype(np.float32)
test_new = test.reshape(-1, 400).astype(np.float32)

# 创建标签
k = np.arange(10)
labels = np.repeat(k, 250)
train_labels = labels[:, np.newaxis]
test_labels = np.repeat(k, 250)[:, np.newaxis]

我们可以通过调试来查看每一行代码的执行情况，例如：

创建 K 近邻分类器并训练

然后我们开始创建K近邻分类器训练

# 创建 K 近邻分类器并训练
knn = cv2.ml.KNearest_create()
knn.train(train_new, cv2.ml.ROW_SAMPLE, train_labels)

# 使用测试数据进行预测
ret, result, neighbours, dist = knn.findNearest(test_new, k=5)

# 计算准确率
matches = result == test_labels
correct = np.count_nonzero(matches)
accuracy = correct * 100.0 / result.size
print('当前识别KNN识别手写数字的准确率为：', accuracy)

这里的k值可以调整，当k值是5的时候， KNN识别手写数字的准确率为91.76%

导入新图像并进行预测

训练并测试好模型后我们自己导入一张20*20像素的手写图片来测试看看，我们可以使用画图工具来画一个

 如何读取文件按照上面代码的方法进行操作：

# 读取新图像
new_img = cv2.imread('8.png')

# 将新图像转换为灰度图像
new_gray = cv2.cvtColor(new_img, cv2.COLOR_BGR2GRAY)

# 将新图像展平为一维数组，并转换为浮点型数据
new_test = new_gray.reshape(-1, 400).astype(np.float32)

# 使用训练好的 K 近邻分类器进行预测
ret, result, neighbours, dist = knn.findNearest(new_test, k=5)

# 输出预测结果
print("预测的数字为:", result)

最后预测的结果是1

 

结论

以上就是全部内容，通过本文的介绍，我们了解了 K 近邻算法的基本原理，并通过一个实际的手写数字识别案例展示了如何使用 KNN 进行图像分类。