本文采用Python实现KNN算法对手写体数字图片进行分类并预测结果
参考文章：https://blog.csdn.net/asialee_bird/article/details/81051281
https://blog.csdn.net/zhili8866/article/details/53026269
https://2723364262.iteye.com/blog/2311663
一.文件格式
二.思路分析
1.首先将所有图片转化为灰度图，因为转为单通道后第一可以减少计算量，第二python中部分图像处理函数只支持单通道图片输入。
2.原始数据集0-9放在了9个文件夹中，并且命名无序，所以第二步我将所有图片按上图格式重命名并放入一个文件夹中。注意：图像批量重命名的时候要保证数字位数相同。
3.将图像分为训练集和测试集，我的一共400张图片，350张训练，50张测试，分别放入不同的文件夹中。
4.将图像转为数组，代码测试文件内容，判断是否预测成功
注：批量转换灰度图，批量重命名文件，批量移动文件详细代码参考我的这篇博客：图像处理（批量重命名，批量转为灰度图，批量移动，批量转为数组）
三.代码实现
"""
批量将图像转为一维数组存储后,运用knn进行手写数字图像分类识别
"""
import os
import numpy as np
from PIL import Image # 导入Image模块
from os import listdir
from sklearn.neighbors import KNeighborsClassifier as KNN
# from pylab import * # 导入savetxt模块
# 以下代码可以读取文件夹下所有文件
# def getAllImages(folder):
# assert os.path.exists(folder)
# assert os.path.isdir(folder)
# imageList = os.listdir(folder)
# imageList = [os.path.abspath(item) for item in imageList if os.path.isfile(os.path.join(folder, item))]
# return imageList
# print getAllImages(r"D:\\test")
def get_imlist(path): # 此函数读取特定文件夹下的bmp格式图像
return [os.path.join(path, f) for f in os.listdir(path) if f.endswith('.bmp')]
c1 = get_imlist("C:\\Users\\Tony.Hsu\\Desktop\\writingTest\\trainingSetGray")
print(c1) # 这里以list形式输出bmp格式的所有图像（带路径）
d1 = len(c1) # 这可以以输出图像个数
print(d1)
dataTrain = np.empty((d1, 20*36)) # 建立d*（20*36）的矩阵，因为图片像素20*36
while d1 > 0:
img1 = Image.open(c1[d1-1]) # 打开图像
# img_ndarray=numpy.asarray(img)
img_ndarray = np.asarray(img1, dtype='float64')/256 # 将图像转化为数组并将像素转化到0-1之间
dataTrain[d1-1] = np.ndarray.flatten(img_ndarray) # 将图像的矩阵形式转化为一维数组保存到dataTrain中
d1 = d1-1
print(dataTrain)
# A = numpy.array(data[0]).reshape(28, 28) # 将一维数组转化为矩28*28矩阵
# print A
# savetxt('num7.txt',A,fmt="%.0f") #将矩阵保存到txt文件中
c2 = get_imlist("C:\\Users\\Tony.Hsu\\Desktop\\writingTest\\testingSetGray")
print(c2) # 这里以list形式输出bmp格式的所有图像（带路径）
d2 = len(c2) # 这可以以输出图像个数
print(d2)
dataTest = np.empty((d2, 20*36)) # 建立d*（20*36）的矩阵
while d2 > 0:
img2 = Image.open(c2[d2-1]) # 打开图像
# img_ndarray=numpy.asarray(img)
img_ndarray = np.asarray(img2, dtype='float64')/256 # 将图像转化为数组并将像素转化到0-1之间
dataTest[d2-1] = np.ndarray.flatten(img_ndarray) # 将图像的矩阵形式转化为一维数组保存到dataTest中
d2 = d2-1
print(dataTest)
"""
该函数处理的是txt形式保存的图像文件，故此处不适用
函数说明:将32x32的二进制图像转换为1x1024向量
def img2vector(filename):
# 创建1x1024零向量
returnVect = np.zeros((1, 1024))
# 打开文件
fr = open(filename)
# 按行读取
for i in range(32):
# 读一行数据
lineStr = fr.readline()
# 每一行的前32个元素依次添加到returnVect中
for j in range(32):
returnVect[0, 32 * i + j] = int(lineStr[j])
# 返回转换后的1x1024向量
return returnVect
"""
"""
函数说明:手写数字分类测试
"""
def handwritingClassTest():
# 训练集的Labels
hwLabels = []
# 返回trainingSetGray目录下的文件名
trainingFileList = listdir('C:\\Users\\Tony.Hsu\\Desktop\\writingTest\\trainingSetGray')
# 返回文件夹下文件的个数
m = len(trainingFileList)
# 初始化训练的Mat矩阵,训练集
trainingMat = np.zeros((m, 720))
# 从文件名中解析出训练集的类
for i in range(m):
# 获得文件的名字
fileNameStr = trainingFileList[i]
# 获得分类的数字
classNumber = int(fileNameStr.split('_')[0])
# 将获得的类别添加到hwLabels中
hwLabels.append(classNumber)
# 将每一个文件的1x720数据存储到trainingMat矩阵中
trainingMat[i, :] = dataTrain[i-1]
# 构建kNN分类器
neigh = KNN(n_neighbors=3, algorithm='auto')
# 拟合模型, trainingMat为训练矩阵,hwLabels为对应的标签
neigh.fit(trainingMat, hwLabels)
# 返回testingSetGray目录下的文件列表
testFileList = listdir('C:\\Users\\Tony.Hsu\\Desktop\\writingTest\\testingSetGray')
# 错误检测计数
errorCount = 0.0
# 测试数据的数量
mTest = len(testFileList)
print(mTest)
# 从文件中解析出测试集的类别并进行 分类测试
for i in range(mTest):
# 获得文件的名字
fileNameStr = testFileList[i]
# 获得分类的数字，根据文件命名进行划分
classNumber = int(fileNameStr.split('_')[0])
# 获得测试集的1x720向量,用于测试
print(i)
vectorUnderTest = dataTest[i] # 获得预测结果
classifierResult = neigh.predict(vectorUnderTest.reshape(1, -1))
print("The classification returns a result of：%d\tThe true result is：%d" % (classifierResult, classNumber))
if classifierResult != classNumber:
errorCount += 1.0
print("\n")
print("The total number of wrong data is: %d\nThe error rate is %f%%" % (errorCount, errorCount / mTest * 100))
"""
函数说明:main函数
"""
if __name__ == '__main__':
handwritingClassTest()
四.结果分析
训练结果正确的将0-9分类，并预测成功。
五.注意事项
- 图像批量重命名的时候要保证数字位数相同！我第一次弄得乱七八糟，心累。
ValueError: Expected 2D array, got 1D array instead:
Reshape your data either using array.reshape(-1, 1) if your data has
a single feature or array.reshape(1, -1) if it contains a single sample.
这是由于在新版的sklearn中，所有的数据都应该是二维矩阵，哪怕它只是单独一行或一列（比如前面做预测时，仅仅只用了一个样本数据），所以需要使用.reshape(1,-1)进行转换。
vectorUnderTest = dataTest[i] # 获得预测结果
classifierResult = neigh.predict(vectorUnderTest.reshape(1, -1))
