本文主要是用kNN算法对字母图片进行特征提取，分类识别。内容如下：

kNN算法及相关Python模块介绍

对字母图片进行特征提取

kNN算法实现

kNN算法分析

一、kNN算法介绍

K近邻(kNN，k-NearestNeighbor)分类算法是机器学习算法中最简单的方法之一。所谓K近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表。我们将样本分为训练样本和测试样本。对一个测试样本 t  进行分类，kNN的做法是先计算样本 t  到所有训练样本的欧氏距离，然后从中找出k个距离最短的训练样本，用这k个训练样本中出现次数最多的类别表示样本 t 的类别。

欧式距离的计算公式:

假设每个样本有两个特征值，如 A ：(a1，b1)B：(a2，b2) 则AB的欧式距离为

举个例子：根据下图前四位同学的成绩和等级，预测第五位小白同学的等级。

我们可以看出：语文和数学成绩是一个学生的特征，等级是一个学生的类别。

前四位同学是训练样本，第五位同学是测试样本。我们现在用kNN算法来预测第五位同学的等级，k取3。

按照上面欧式距离公式我们可以计算

d(5-1)=

= 7          d(5-2)=

= 30

d(5-3)=

= 6          d(5-4)=

= 19.2

因为 k 取 3，所以我们寻找3个距离最近的样本，即编号为3,1,4的同学，他们的等级分别是 B,B,A。 这三个样本的分类中，出现了2次B，一次A，B出现次数最多，所以5号同学的等级可能为B

常用Python模块

NumPy：NumPy是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表结构要高效的多。

PIL：Python Imaging Library，是Python平台事实上的图像处理标准库,功能非常强大，API也简单易用。但PIL包主要针对Python2，不兼容Python3，所以在Python3中使用Pillow,后者是大牛根据PIL移植过来的，两者用法相同。

上面两个Python库都可以通过pip进行安装。

pip3 install [name]

还有就是Python 自带标准库：shutil模块提供了大量的文件的高级操作，特别针对文件拷贝和删除，主要功能为目录和文件操作以及压缩操作。operator模块是Python 的运算符库，os 模块是Python的系统的和操作系统相关的函数库。

二、对图片进行特征提取

1、采集手写字母的图片素材

有许多提供机器学习数据集的网站，如知乎上的整理 https://www.zhihu.com/question/63383992/answer/222718972  我搜集到的手写字母图片资源如下 链接:https://pan.baidu.com/s/1pM329fl  密码:i725 　　其中by_class.zip 压缩包是已经分类好的图片样本，可以直接下载使用

2、提取图片素材的特征

最简单的做法是将图片转换为由0 和1 组成的txt 文件，如

转换代码如下：

1 importos2 importshutil3 from PIL importImage4

5

6 #image_file_prefix png图片所在的文件夹

7 #file_name png png图片的名字

8 #txt_path_prefix 转换后txt 文件所在的文件夹

9 defgenerate_txt_image(image_file_prefix, file_name, txt_path_prefix):10 """将图片处理成只有0 和 1 的txt 文件"""

11 #将png图片转换成二值图并截取四周多余空白部分

12 image_path =os.path.join(image_file_prefix, file_name)13 #convert('L') 将图片转为灰度图 convert('1') 将图片转为二值图

14 img = Image.open(image_path, 'r').convert('1').crop((32, 32, 96, 96))15 #指定转换后的宽 高

16 width, height = 32, 32

17 　　 img.thumbnail((width, height), Image.ANTIALIAS)

18 #将二值图片转换为0 1，存储到二位数组arr中

19 arr =[]20 for i inrange(width):21 pixels =[]22 for j inrange(height):23 pixel =int(img.getpixel((j, i)))24 pixel = 0 if pixel == 0 else 1

25 pixels.append(pixel)26 arr.append(pixels)27

28 #创建txt文件(mac下使用os.mknod()创建文件需要root权限，这里改用复制的方式)

29 text_image_file = os.path.join(txt_path_prefix, file_name.split('.')[0] + '.txt')30 empty_txt_path = "/Users/beiyan/Downloads/empty.txt"

31 shutil.copyfile(empty_txt_path, text_image_file)32

33 #写入文件

34 with open(text_image_file, 'w') as text_file_object:35 for line inarr:36 for e inline:37 text_file_object.write(str(e))38 text_file_object.write("\n")

将所有素材转换为 txt 后，分为两部分：训练样本 和 测试样本。

三、kNN算法实现

1、将txt文件转为一维数组的方法：

1 defimg2vector(filename, width, height):2 """将txt文件转为一维数组"""

3 return_vector = np.zeros((1, width *height))4 fr =open(filename)5 for i inrange(height):6 line =fr.readline()7 for j inrange(width):8 return_vector[0, height * i + j] =int(line[j])9 return return_vector

2、对测试样本进行kNN分类,返回测试样本的类别:

1 importnumpy as np2 importos3 importoperator4

5

6 #test_set 单个测试样本

7 #train_set 训练样本二维数组

8 #labels 训练样本对应的分类

9 #k k值

10 defclassify(test_set, train_set, labels, k):11 """对测试样本进行kNN分类,返回测试样本的类别"""

12 #获取训练样本条数

13 train_size =train_set.shape[0]14

15 #计算特征值的差值并求平方

16 #tile(A,(m,n))，功能是将数组A行重复m次 列重复n次

17 diff_mat = np.tile(test_set, (train_size, 1)) -train_set18 sq_diff_mat = diff_mat ** 2

19

20 #计算欧式距离 存储到数组 distances

21 sq_distances = sq_diff_mat.sum(axis=1)22 distances = sq_distances ** 0.5

23

24 #按距离由小到大排序对索引进行排序

25 sorted_index =distances.argsort()26

27 #求距离最短k个样本中 出现最多的分类

28 class_count ={}29 for i inrange(k):30 near_label =labels[sorted_index[i]]31 class_count[near_label] = class_count.get(near_label, 0) + 1

32 sorted_class_count = sorted(class_count.items(), key=operator.itemgetter(1), reverse=True)33 return sorted_class_count[0][0]

3、统计分类错误率

1 #train_data_path 训练样本文件夹

2 #test_data_path 测试样本文件夹

3 #k k个最近邻居

4 defget_error_rate(train_data_path, test_data_path, k):5 """统计识别错误率"""

6 width, height = 32, 32

7 train_labels =[]8

9 training_file_list =os.listdir(train_data_path)10 train_size =len(training_file_list)11

12 #生成全为0的训练集数组

13 train_set = np.zeros((train_size, width *height))14

15 #读取训练样本

16 for i inrange(train_size):17 file =training_file_list[i]18 file_name = file.split('.')[0]19 label = str(file_name.split('_')[0])20 train_labels.append(label)21 train_set[i, :] =img2vector(os.path.join(train_data_path, training_file_list[i]), width, height)22

23 test_file_list =os.listdir(test_data_path)24 #识别错误的个数

25 error_count = 0.0

26 #测试样本的个数

27 test_count =len(test_file_list)28

29 #统计识别错误的个数

30 for i inrange(test_count):31 file =test_file_list[i]32 true_label = file.split('.')[0].split('_')[0]33

34 test_set =img2vector(os.path.join(test_data_path, test_file_list[i]), width, height)35 test_label =classify(test_set, train_set, train_labels, k)36 print(true_label, test_label)37 if test_label !=true_label:38 error_count += 1.0

39 percent = error_count /float(test_count)40 print("识别错误率是:{}".format(str(percent)))

4、测试结果

训练样本：　　0-9，a-z，A-Z 共62个字符，每个字符选取120个训练样本 ， 一共有7440 个训练样本。每个字符选取20个测试样本，一共1200个测试样本。

尝试改变条件，测得识别正确率如下：

四、kNN算法分析

由上部分结果可知：knn算法对于手写字母的识别率并不理想。

原因可能有以下几个方面：

1、图片特征提取过于简单，图片边缘较多空白，且图片中字母的中心位置未必全部对应

2、因为英文有些字母大小写比较相似，容易识别错误

3、样本规模较小，每个字符最多只有300个训练样本,真正的训练需要海量数据

在后序的文章中尝试用其他学习算法提高分类识别率。各位道友有更好的意见也欢迎提出！