K近邻算法
机器学习算法是从数据中产生模型，也就是进行学习的算法。我们把经验提供给算法，它就能够根据经验数据产生模型。在面对新的情况时，模型就会为我们提供预测的结果。例如，识别数字，文字时，其实识别它们并不需要颜色，使用二值图像就行，而二值图像的数字文字都是0，1组成，机器学习会根据0与1的位置匹配最相近的文字或者数字，从而得出结果。而机器学习中的K近邻算法最适合识别图像中的文字或者数字信息。
K近邻算法又称为KNN算法，是非常经典的机器学习算法。其原理非常简单：对于一个新样本，这里可以理解为一个新数字图像或文字图像，K近邻算法会在已有数据中寻找与它最相似的K个数据，或者说离它最近的K个数据，如果这K个数据大多数属于某个类别，则该样本也属于这个类别。
识别数字
在OpenCV-Python开发指南的第一篇我们就介绍了二值图像，二值图像可以区分形状已经物体大概的轮廓。如下图所示：
这里的图像A就是0和1的矩阵集合，数字1代表有颜色的地方，数字0代表无颜色的地方。
这里，我们提供给机器学习的样本数据为1024个元素的一维数组，通过Excel表格提供，而图像是一个矩阵并不是一维数组。所以，在处理原始图像时，我们需要将图片的矩阵数据转换为一维数组，以便于机器学习的匹配预测。
调整图像
首先，我们需要识别的数字图像可能并不是一个二值图像，甚至可能不是一个灰度图像。所以我们需要将其转换为二值图像。
其次，OpenCV转换的二值图像是一个矩阵，而机器学习训练的数据是一个1024长度的一维数组。所以，我们还需要将图像缩小为32*32像素的图像，这样其转换为一维数组才是1024个0，1数据。
具体代码如下：
import cv2 img = cv2.imread("40.jpg") img = cv2.resize(img, (32, 32)) img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) t, img = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV) img[img == 255] = 1 img_array= img.reshape(1, -1) # 转换为一维数组
这里，我们首先获取图像，然后将图像转换为32*32像素的大小。接着，在转换为灰度图像，并通过二值化处理将图像变更为0和255两个值，最后将255白色的部分替换成1。最后，将其转换为一维数组。
K近邻算法模型搭建
不管是K近邻算法还是机器学习算法，我们一般搭建机器学习模型都分为2个步骤。第1步，划分训练集与测试集，第2步完成模型的搭建.
下面我们具体实现，代码如下：
import cv2 import pandas as pd from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsClassifier as KNN df = pd.read_excel("手写字体识别.xlsx") # 提取特征变量，识别数字时，其特征就是1024个0，1数据，而目标变量就是1024个数字组成对应的结果数字 X = df.drop(columns="对应数字") Y = df['对应数字'] x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size=0.2, random_state=111) knn = KNN(n_neighbors=5) knn.fit(x_train, y_train) answer=knn.predict(img_array) print("图中的数字是："+str(answer[0]))
这里，我们首先读取手写字体识别的数据集，然后提取特征变量与目标变量。
再然后，使用train_test_split函数将获取的数据集分为测试集与训练集，test_size=0.2表示将20%的数据划为测试集，训练集返回x_train，y_train，测试集返回x_test，y_test。
接着，使用训练集数据建模fit，这里K近邻算法n_neighbors=5，表示选取5个近邻点来决定数字图片的分类，或者说识别判断。
建模完成之后，可以将上面转换图片的一维数组，直接代入到knn.predict函数中，得到预测的结果。我们测试的图片如下：
运行之后，得到的结果如下：
训练文档：点击下载
