1。總體概要

kNN算法已經在上一篇博客中說明。對于要處理手寫體數字，需要處理的點主要包括：

（1）圖片的預處理：將png，jpg等格式的圖片轉換成文本數據，本博客的思想是，利用圖片的rgb16進制編碼（255，255，255）為白色，（0，0，0）為黑色，獲取圖片大小后，逐個像素進行判斷分析，當此像素為空白時，在文本數據中使用0來替換，反之使用1來替換。

from PIL import Image

'''將圖片轉換成文檔，使用0，1分別替代空白和數字'''

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))#獲取該像素所對應的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）訓練集的構建。首先想到的是將（1）中圖片處理后的文本數據構建成list形式，所以訓練集將是二維數組，形如[[1,0,1,1,0,,,,,0,1],[0,1,1,1,10,,,,],[0,0,1,0,,,],,,,,]所以我們構建函數處理訓練集數據。

2。代碼

簡單的總結這個算法，就是將測試數據向量化，逐個和同樣向量化的訓練數據進行kNN運算，求的最短距離出現最多的分類就是我們要的分類。建立訓練集的過程就是將文件數據向量化的過程。

#！／user/bin/env python

#-*- coding:utf-8 -*-

from os import listdir#獲取文件目錄下所有文件

'''

from PIL import Image

#將圖片轉換成文檔，使用0，1分別替代空白和數字

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))#獲取該像素所對應的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 np

import operator as opt

def kNN(dataSet, labels, testData, k):

'''首先明確列表不能想加減，dataSet是數組形式，而對于下面的test函數，testData只是一列，相當于列表，所以在進行加減時，需要將其轉換為數組，我們使用np下的tile函數來實現'''

testDatasize = dataSet.shape[0]#獲取dataSet的總行數

dataSet = dataSet.astype('float64')#不進行轉換則報錯

testData1 = np.tile(testData,(testDatasize,1))#使用tile函數返回多個重復構成的數組

testData1 = testData1.astype('float64')

distSquareMat = (dataSet - testData1) ** 2 # 計算差值的平方

distSquareSums = distSquareMat.sum(axis=1) # 求每一行的差值平方和，axis=0則按列計算

distances = distSquareSums ** 0.5 # 開根號，得出每個樣本到測試點的距離

sortedIndices = distances.argsort() # 排序，得到排序后的下標

indices = sortedIndices[:k] # 取最小的k個

labelCount = {} # 存儲每個label的出現次數，出現次數最多的就是我們要選擇的類別

for i in indices:

label = labels[i]

labelCount[label] = labelCount.get(label, 0) + 1 # 次數加一，使用字典的get方法，第一次出現時默認值是0

sortedCount = sorted(labelCount.items(), key=opt.itemgetter(1), reverse=True) # 對label出現的次數從大到小進行排序

return sortedCount[0][0] # 返回出現次數最大的label

#定義函數讀取某個文件，返回該文件組成的數組

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

#建立訓練數據集

def train_data():

lables = []

file_list = listdir('/學習/視頻課程/源碼/第7周/testandtraindata/traindata/')

trainarr = np.zeros((len(file_list),1024))

for i in range(0,len(file_list)):

file = '/學習/視頻課程/源碼/第7周/testandtraindata/traindata/'+file_list[i]

lables.append(file_list[i].split('_')[0])#獲取對應的文件類別

trainarr[i,:] = file_data(file)#取所有列的第一個數據

return trainarr,lables

#測試函數

def test():

j = 0

k = 0

trainarr,lables = train_data()

testdata_list = listdir('/學習/視頻課程/源碼/第7周/testandtraindata/testdata/')

for i in range(0,len(testdata_list)):#逐個去測試

testfile = '/學習/視頻課程/源碼/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('辨識成功率：'+j/(k+j))

test()

輸出結果為：

3。幾個知識點代碼說明

（1）numpy.tile

p = np.array([0,0,0])

np.tile(p,(3,1))#表示columns方向重復三次，index方向不變

Out[12]:

array([[0, 0, 0],

[0, 0, 0],

[0, 0, 0]])

np.tile(p,(1,3))#表示index方向重復三次，行還是一行

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】個數據（也就是第二行數據）

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]#所有行的第二列數據

Out[22]: array([1, 2, 3, 4])

（3）list并不能進行加減計算，需要使用numpy將數據轉換為數組形式，且在使用例如：arr1+arr2時，需要兩個數組的維度相同，在某個緯度上的數據長度也相同。

（4）使用os模塊下的listdir，可以顯示所有該文件夾下的文件，以列表的形式返回。

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。

總結

以上是生活随笔為你收集整理的python手机代码识别数字_python实现kNN算法识别手写体数字的示例代码的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。