机器学习之 KNN近邻算法（三）图像识别

其他图像识别链接：https://www.cnblogs.com/sjzh/p/6104105.html

图像归一化和二值化处理链接：https://blog.csdn.net/m0_38052500/article/details/107305000

一、图像基础知识

1） 图像（如rpg格式）由像素点组成

　　400*300意思是行400像素点，列300像素点

2）每个像素点 => RGB(a,b,c) 其中a b c介于 [0,255] 

3）灰色的像素点 a=b=c ，靠近白色则近255，靠近黑色则近0

　 即：黑白灰图片的像素点必然 a=b=c

总结：一个图像的shape：(行像素,列像素，3)

二、图像识别流程分析

4-0 opencv: 计算机视觉lib

4-1 读取图片  import cv2 

    digit = cv2.imread("D:/PyProjects/data/KNN/mnist_data/0.0.jpg")
    plt.imshow(digit)
    plt.show()

结果：

 4-2 提取特征

由于处理的是黑白灰图，a=b=c，提取图像的特征只需要2轴中的一个数字，于是

先求出原图的shape => (28,28,3)

 digit[:,:,0]  降维成2维， .reshape(784,) 变成1维，28*28=784

结果：获得一维特征

 4-3 特征优化—— 二值化处理：黑白灰变成黑白，防止灰色混杂在黑色里

1）手写字体情况：我们并不需要知晓黑色的深浅，只需要知道黑色的部分是否不是黑色。因为不是白色的位置，就意味着是字体的一部分。

>>> 直接 if x!= 255 赋值 1 else 0  # 只要不是白色，就一定是黑色

2）其他：

Q1: 待解决的问题：如何界定判定黑 白的标准？

   # 灰 -> 黑 or 白
   for rn in range(len(res)):
       res[rn] = 0 if res[rn] < 100 else 255
   train.append(res)            

4-4 循环读入图片，num是label，flag是对应num的图片

# 训练目标数组和训练集数组
    train,target = [],[]
    # 利用循环读入0-9的每个3000张图片
    for num in range(10):
        for flag in range(3000):
            target.append(num) # array-like of shape (n_samples,) or (n_samples, n_outputs)
            digit = cv2.imread("D:/PyProjects/data/KNN/mnist_data/"+str(num)+"."+str(flag)+".jpg")
            res = digit[:,:,0].reshape(784) # 灰色R=P=G
            # 灰 -> 黑 or 白
            for rn in range(len(res)):
                res[rn] = 0 if res[rn] < 100 else 255
            train.append(res) 

4-5  求最佳近邻值

    krange = range(1,55)
    knnscore = []
    for k in krange:
        knn = KNeighborsClassifier()
        val = cross_val_score(knn,train,target,cv=20,scoring='accuracy') # 为什么20？ => 一定有0-9
        knnscore.append(val.mean())
    plt.plot(krange,knnscore,'r')
    plt.show()

结果：

 问题：为什么cv=20？

4-6  建立KNN模型算法

knn = KNeighborsClassifier(n_neighbors=6,weights='distance',p=2,n_jobs=-1) # p=2 欧式距离;n_jobs=-1 所有线程都工作;
knn.fit(train,target) # KNN模型已生成

参数含义见

https://blog.csdn.net/weixin_41990278/article/details/93169529

4-7 测试模型识别结果是否准确

　 # 图像识别测试
   # 数据准备
    test,test_target = [],[]
    for rn in range(10):
        for co in range(300,310): # 使用每个label的第300-309个图片测试
            test_target.append(rn)
            digit1 = cv2.imread("D:/PyProjects/data/KNN/mnist_data/" + str(rn) + "." + str(co) + ".jpg")
            res1 = digit1[:, :, 0].reshape(784)  # 灰色R=P=G
            for rn in range(len(res1)):
                res1[rn] = 0 if res1[rn] < 100 else 255
            test.append(res1)
    # 数据预测        
    pred_res = knn.predict(test)
    print("====识别结果===")
    print(pred_res)
    print("====真实结果===")
    print(test_target)