openCV中KNN算法的实现

import numpy as np
import cv2

img=cv2.imread('digits.png')#读取名为 digits.png 的图像文件。
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#将图像转换为灰度图

cells=[np.hsplit(row,100) for row in np.vsplit(gray,50)]#将图像垂直分割50行，水平分割100列
x=np.array(cells)
train=x[:,:50]#划分训练集
test=x[:,50:100]#划分测试集

#将数据展平并转换为浮点型
​train_new=train.reshape(-1,400).astype(np.float32)
test_new=test.reshape(-1,400).astype(np.float32)

k=np.arange(10)#生成一个数组 [0, 1, 2, ..., 9]
labels=np.repeat(k,250)#将每个数字重复250次，生成标签数组，形状为 (2500,)
train_labels=labels[:,np.newaxis]#将标签数组转换为列向量，形状为 (2500, 1)
test_labels=np.repeat(k,250)[:,np.newaxis]

knn=cv2.ml.KNearest_create()#创建KNN模型
knn.train(train_new,cv2.ml.ROW_SAMPLE,train_labels)#使用训练数据和标签训练模型

ret,result,neighbours,dist=knn.findNearest(test_new,k=3)#对测试数据进行预测，k=3 表示使用3个最近邻居。ret：是否成功执行。result：预测结果。neighbours：最近的邻居。dist：与邻居的距离。
print(ret,result,neighbours,dist)

#计算准确率
matches=result==test_labels
correct=np.count_nonzero(matches)
accuracy=correct*100.0/result.size
print("当前使用KNN识别手写数字的准确率为{}%。".format(accuracy))