手写数字图片识别实战

通过sklearn的KNN邻近相似度，从而实战识别图片上的数字

1.数据导入与处理

import numpy as np
import matplotlib.pyplot as plt
from sklearn.neighbors import KNeighborsClassifier

先随便展示一张图片

#展示一张数图。
img_arr = plt.imread("./data/3/3_140.bmp")
img_arr.shape
plt.imshow(img_arr)

读取图片并保存在列表中

feature = []
target = []
for file in range(10):
    for img in range(1,501):#./data/3/3_140.bmp
        img_path = "./data/%s/%s_%s.bmp"%(str(file),str(file),str(img))
        img_arr = plt.imread(img_path)
        feature.append(img_arr)
        target.append(file)

将列表形式的样本转换成数组形式：

feature = np.array(feature)
target = np.array(target)

将三维feature变成二维 28*28=784

feature = feature.reshape((5000,784))
feature.shape

样本数据进行打乱,但target,feature打乱顺序是相同的

np.random.seed(10)
np.random.shuffle(feature)
np.random.seed(10)
np.random.shuffle(target)

2.训练模型

#训练集4980，测试集数据20
x_train = feature[:4980]
y_train = target[:4980]

x_test = feature[4980:]
y_test = target[4980:]

创建模型并训练

#创建训练模型
#n_neighbors可以适当调整
knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(x_train,y_train)

3.验证模型

print('模型分类的结果：',knn.predict(x_test))
print('真实的分类结果：',y_test)
"""
模型分类的结果： [6 6 4 4 0 8 5 8 2 2 4 3 3 9 4 1 6 2 9 2]
真实的分类结果： [6 6 4 4 0 8 5 8 2 2 4 3 3 9 4 2 6 2 9 2]
"""
#倒数第5个不一样，剩下都一样。

4.测试图片数字

让模型对外部的一张图片进行识别

ex_img_arr = plt.imread('./数字.jpg')
plt.imshow(ex_img_arr)

将数字6裁剪出来

img_two_arr = ex_img_arr[80:150,140:190,:]
plt.imshow(img_two_arr)

img_two_arr.shape
"""
(70, 50, 3)
"""

降维处理

img_two_arr = img_two_arr.mean(axis=2)

对图片进行像素等比例压缩

import scipy.ndimage as ndimage
img_two_arr = ndimage.zoom(img_two_arr,zoom=(28/70,28/50))

展示等比压缩图片

plt.imshow(img_two_arr)

img_two_arr.shape#(28, 28)
img_two_arr = img_two_arr.reshape((1,-1))#(1, 784)

结果验证

knn.predict(img_two_arr)
"""
array([6])
"""

github源码和数据：点击此处