基于KNN的手写数字模式识别设计与实现代码大全

基于模式识别系统的设计与实现

1．1 题目的主要研究内容

（1）运用KNN算法实现手写数字识别过程的主要描述：直接从sklearn 中加载自带的手写数字数据集，通过可视化的方式来查看图像的呈现；接着让数据规范化可以让数据都在同一个数量级的维度。将全部的图像数据作为特征值矩阵；最后通过训练可以得到KNN分类器，然后用测试集进行准确率的计算。下图是系统流程图：

（2）运用图像特征提取算法LBP，在图像颜色调成黑白色的基础上，以及使用像素点描绘图像和画出图像的大致轮廓。

1．2 题目研究的工作基础或实验条件

（1）硬件环境Win10 Intel(R)

（2）软件环境（开发工具python）

1．3 数据集描述

（1）手写数字数据集：

包含1797个0-9的手写数字数据，每个数据由8 * 8 大小的矩阵构成，矩阵中值的范围是0-16，代表颜色的深度。

（2）在网上下载的16张演员图像

1．4 特征提取过程描述

（1）手写数字数据集中的1797个数据，代表了0~9是个数字类别，每个数据由8 * 8 大小的矩阵构成，矩阵中值的范围是0-16，代表颜色的深度，颜色越深，矩阵中的值越大。根据颜色的深度可以描绘出大致轮廓，因此可以判断此数据属于那一个数。

（2）运用cv2.cvtColor将原图像进行灰色处理，接着利用图像特征提取算法：LBP，实现在灰色图像的基础上用像素点处理，再用filters.sobel对图像进行轮廓的提取。

1．5 分类过程以及准确率描述

（1）通过上文的特征提取过程，将1797个包含0-9的手写数字的数据，识别出了0、1、2、3、4、5、6、7、8、9十个数，如果以0~9中的每个数代表一类，这样就把1797个数据集分成了0~9一共十个类别。分割数据，将25%的数据作为测试集，其余作为训练集，创建KNN分类器对准确率进行计算。

（2）无分类过程

1．6 主要程序代码(要求必须有注释)

（1）程序一：

from sklearn.model_selection import train_test_split

from sklearn import preprocessing

from sklearn.metrics import accuracy_score

from sklearn.datasets import load_digits

from sklearn.neighbors import KNeighborsClassifier

import matplotlib.pyplot as plt

#加载数据

digits = load_digits()

data = digits.data

#数据探索

print(data.shape)

# 查看第七幅图像

print(digits.images[6])

# 第七幅图像代表的数字含义

print(digits.target[6])

# 将第七幅图像显示出来

plt.gray()

plt.imshow(digits.images[6])

plt.show()

# 分割数据，将25%的数据作为测试集，其余作为训练集

train_x, test_x, train_y, test_y = train_test_split(data, digits.target, test_size=0.25, random_state=33)

# 采用Z-Score规范化

ss = preprocessing.StandardScaler()

train_ss_x = ss.fit_transform(train_x)

test_ss_x = ss.transform(test_x)

# 创建KNN分类器

knn = KNeighborsClassifier(n_neighbors=4)

knn.fit(train_ss_x, train_y)

predict_y = knn.predict(test_ss_x)

print("KNN准确率: %.4lf" % accuracy_score(test_y, predict_y))

（2）程序二：

import skimage

import numpy as np

import matplotlib.pyplot as plt

from PIL import Image

import cv2

# settings for LBP

radius = 1 # LBP算法中范围半径的取值

n_points = 8 * radius # 领域像素点数

# 读取图像

image = cv2.imread('D:\SogouDownload/a/16.jpeg')

#显示到plt中，需要从BGR转化到RGB，若是cv2.imshow(win_name, image)，则不需要转化

#显示原图像

image1 = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

plt.subplot(111)

plt.imshow(image1)

plt.show()

#将图像颜色调成灰色

image = cv2.cvtColor(image1, cv2.COLOR_BGR2GRAY)

plt.subplot(111)

plt.imshow(image, plt.cm.gray)

plt.show()

#利用像素点描绘图像

lbp = local_binary_pattern(image, n_points, radius)

plt.subplot(111)

plt.imshow(lbp, plt.cm.gray)

plt.show()

#进行轮廓提取

edges = filters.sobel(image)

plt.subplot(111)

plt.imshow(edges, plt.cm.gray)

plt.show()

1．7 运行结果及分析