opencv2.4.13+python2.7學習筆記--使用 knn對手寫數字OCR

閱讀對象：熟悉knn、了解opencv和python。

1.knn理論介紹：算法學習筆記：knn理論介紹

2. opencv中knn函數

路徑：opencv\sources\modules\ml\include\opencv2\ml\ml.hpp

3.案例

3.1數據集介紹

我們的目的是創建一個可以對手寫數字進行識別的程序。為了達到這個目的我們需要訓練數據和測試數據。OpenCV 安裝包中有一副圖片（/samples/python2/data/digits.png）, 其中有5000 個手寫數字（每個數字重復 500遍）。每個數字是一個20x20 的小圖。 所以第一步就是將這個圖像分割成 5000個不同的數字。我們在將拆分后的每一個數字的圖像重排成一行含有 400 個像素點的新圖像。這個就是我們的特征集，所有像素的灰度值。這是我們能創建的最簡單的特征集。我們使用每個數字的前 250 個樣本做訓練數據，剩余的250 個做測試數據。

3.2代碼

示例中得到的準確率為91.72%，和官網結果一樣，可以結合統計中的抽樣重新分配訓練集和測試集，也可以嘗試用不同的距離度量方法（或者相似度度量方法），取不同的K，重新進行數據實驗，時間有限，我并沒有去找哪個參數代表的是距離度量方法。[備注，方便查閱]

import numpy as np
import cv2
from matplotlib import pyplot as pltdir='C:/Users/Thinkpad/Desktop/picture/'
img = cv2.imread(dir+'5.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)# Now we split the image to 5000 cells, each 20x20 size
cells = [np.hsplit(row,100) for row in np.vsplit(gray,50)]# Make it into a Numpy array. It size will be (50,100,20,20)
x = np.array(cells)# Now we prepare train_data and test_data.
train = x[:,:50].reshape(-1,400).astype(np.float32) # Size = (2500,400)
test = x[:,50:100].reshape(-1,400).astype(np.float32) # Size = (2500,400)# Create labels for train and test data
k = np.arange(10)
train_labels = np.repeat(k,250)[:,np.newaxis]
test_labels = train_labels.copy()# Initiate kNN, train the data, then test it with test data for k=1
knn = cv2.KNearest()
knn.train(train,train_labels)
ret,result,neighbours,dist = knn.find_nearest(test,k=5)# Now we check the accuracy of classification
# For that, compare the result with test_labels and check which are wrong
matches = result==test_labels
correct = np.count_nonzero(matches)
accuracy = correct*100.0/result.size
print accuracy

4.3中的圖片

參考資料：[1]http://opencv-python-tutroals.readthedocs.io/en/latest/py_tutorials/py_ml/py_knn/py_knn_opencv/py_knn_opencv.html

end!!

?