python实现kNN算法识别手写体数字的示例代码

Python  /  管理员 发布于 7年前   135

1。总体概要

kNN算法已经在上一篇博客中说明。对于要处理手写体数字，需要处理的点主要包括：

（1）图片的预处理：将png，jpg等格式的图片转换成文本数据，本博客的思想是，利用图片的rgb16进制编码（255，255，255）为白色，（0，0，0）为黑色，获取图片大小后，逐个像素进行判断分析，当此像素为空白时，在文本数据中使用0来替换，反之使用1来替换。

from PIL import Image'''将图片转换成文档，使用0，1分别替代空白和数字'''pic = Image.open('/Users/wangxingfan/Desktop/1.png')path = open('/Users/wangxingfan/Desktop/1.txt','a')width = pic.size[0]height = pic.size[1]for i in range(0,width): for j in range(0,height):  c_RGB = pic.getpixel((i,j))#获取该像素所对应的RGB值  if c_RGB[0]+c_RGB[1]+c_RGB[2]>0:#白色   path.write('0')  elif c_RGB[0]+c_RGB[1]+c_RGB[2]==0:#黑色   path.write('1')  else:   pass path.write('\n')path.close()

（2）训练集的构建。首先想到的是将（1）中图片处理后的文本数据构建成list形式，所以训练集将是二维数组，形如[[1,0,1,1,0,,,,,0,1],[0,1,1,1,10,,,,],[0,0,1,0,,,],,,,,]所以我们构建函数处理训练集数据。

2。代码

简单的总结这个算法，就是将测试数据向量化，逐个和同样向量化的训练数据进行kNN运算，求的最短距离出现最多的分类就是我们要的分类。建立训练集的过程就是将文件数据向量化的过程。

#！／user/bin/env python#-*- coding:utf-8 -*-from os import listdir#获取文件目录下所有文件'''from PIL import Image#将图片转换成文档，使用0，1分别替代空白和数字pic = Image.open('/Users/wangxingfan/Desktop/1.png')path = open('/Users/wangxingfan/Desktop/1.txt','a')width = pic.size[0]height = pic.size[1]for i in range(0,width): for j in range(0,height):  c_RGB = pic.getpixel((i,j))#获取该像素所对应的RGB值  if c_RGB[0]+c_RGB[1]+c_RGB[2]>0:#白色   path.write('0')  elif c_RGB[0]+c_RGB[1]+c_RGB[2]==0:#黑色   path.write('1')  else:   pass path.write('\n')path.close()'''import numpy as npimport operator as optdef kNN(dataSet, labels, testData, k): '''首先明确列表不能想加减，dataSet是数组形式，而对于下面的test函数，testData只是一列，相当于列表，所以在进行加减时，需要将其转换为数组，我们使用np下的tile函数来实现''' testDatasize = dataSet.shape[0]#获取dataSet的总行数 dataSet = dataSet.astype('float64')#不进行转换则报错 testData1 = np.tile(testData,(testDatasize,1))#使用tile函数返回多个重复构成的数组 testData1 = testData1.astype('float64') distSquareMat = (dataSet - testData1) ** 2 # 计算差值的平方 distSquareSums = distSquareMat.sum(axis=1) # 求每一行的差值平方和，axis=0则按列计算 distances = distSquareSums ** 0.5 # 开根号，得出每个样本到测试点的距离 sortedIndices = distances.argsort() # 排序，得到排序后的下标 indices = sortedIndices[:k] # 取最小的k个 labelCount = {} # 存储每个label的出现次数，出现次数最多的就是我们要选择的类别 for i in indices:  label = labels[i]  labelCount[label] = labelCount.get(label, 0) + 1 # 次数加一，使用字典的get方法，第一次出现时默认值是0 sortedCount = sorted(labelCount.items(), key=opt.itemgetter(1), reverse=True) # 对label出现的次数从大到小进行排序 return sortedCount[0][0] # 返回出现次数最大的label#定义函数读取某个文件，返回该文件组成的数组def file_data(fname): arr = [] path = open(fname) for i in range(0,32):  line = path.readline()  for j in range(0,32):   arr.append(line[j]) return arr#建立训练数据集def train_data(): lables = [] file_list = listdir('/学习/视频课程/源码/第7周/testandtraindata/traindata/') trainarr = np.zeros((len(file_list),1024)) for i in range(0,len(file_list)):  file = '/学习/视频课程/源码/第7周/testandtraindata/traindata/'+file_list[i]  lables.append(file_list[i].split('_')[0])#获取对应的文件类别  trainarr[i,:] = file_data(file)#取所有列的第一个数据 return trainarr,lables#测试函数def test(): j = 0 k = 0 trainarr,lables = train_data() testdata_list = listdir('/学习/视频课程/源码/第7周/testandtraindata/testdata/') for i in range(0,len(testdata_list)):#逐个去测试  testfile = '/学习/视频课程/源码/第7周/testandtraindata/testdata/'+testdata_list[i]  testdata1 = file_data(testfile)  result = kNN(trainarr,lables,testdata1,k=3)  print(result+',real_number:'+testdata_list[i].split('_')[0])  if result == testdata_list[i].split('_')[0]:   j +=1  else:   k +=1 print('辨识成功率：'+j/(k+j))test()

输出结果为：

3。几个知识点代码说明

（1）numpy.tile

p = np.array([0,0,0])np.tile(p,(3,1))#表示columns方向重复三次，index方向不变Out[12]: array([[0, 0, 0],  [0, 0, 0],  [0, 0, 0]])np.tile(p,(1,3))#表示index方向重复三次，行还是一行Out[13]: array([[0, 0, 0, 0, 0, 0, 0, 0, 0]])

（2）array[1,:]表示取所有列的第【索引1】个数据（也就是第二行数据）

a = np.array([[1,1,1],[2,2,2],[3,3,3],[4,4,4]])a[1,:]Out[21]: array([2, 2, 2])a[:,1]#所有行的第二列数据Out[22]: array([1, 2, 3, 4])

（3）list并不能进行加减计算，需要使用numpy将数据转换为数组形式，且在使用例如：arr1+arr2时，需要两个数组的维度相同，在某个纬度上的数据长度也相同。

（4）使用os模块下的listdir，可以显示所有该文件夹下的文件，以列表的形式返回。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。