机器学习--kNN算法识别手写字母

 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：

1. kNN算法及相关Python模块介绍
2. 对字母图片进行特征提取
3. kNN算法实现
4.  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：

import os
import shutil
from PIL import Image


# image_file_prefix  png图片所在的文件夹
# file_name png      png图片的名字
# txt_path_prefix    转换后txt 文件所在的文件夹
def generate_txt_image(image_file_prefix, file_name, txt_path_prefix):
    """将图片处理成只有0 和 1 的txt 文件"""
    # 将png图片转换成二值图并截取四周多余空白部分
    image_path = os.path.join(image_file_prefix, file_name)
    # convert('L') 将图片转为灰度图 convert('1') 将图片转为二值图
    img = Image.open(image_path, 'r').convert('1').crop((32, 32, 96, 96))
    # 指定转换后的宽 高
    width, height = 32, 32
　　 img.thumbnail((width, height), Image.ANTIALIAS)
    # 将二值图片转换为0 1，存储到二位数组arr中
    arr = []
    for i in range(width):
        pixels = []
        for j in range(height):
            pixel = int(img.getpixel((j, i)))
            pixel = 0 if pixel == 0 else 1
            pixels.append(pixel)
        arr.append(pixels)

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

    # 写入文件
    with open(text_image_file, 'w') as text_file_object:
        for line in arr:
            for e in line:
                text_file_object.write(str(e))
            text_file_object.write("
")

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：

def img2vector(filename, width, height):
    """将txt文件转为一维数组"""
    return_vector = np.zeros((1, width * height))
    fr = open(filename)
    for i in range(height):
        line = fr.readline()
        for j in range(width):
            return_vector[0, height * i + j] = int(line[j])
    return return_vector

2、对测试样本进行kNN分类,返回测试样本的类别:

import numpy as np
import os
import operator


# test_set 单个测试样本
# train_set 训练样本二维数组
# labels 训练样本对应的分类
# k k值
def classify(test_set, train_set, labels, k):
    """对测试样本进行kNN分类,返回测试样本的类别"""
    # 获取训练样本条数
    train_size = train_set.shape[0]

    # 计算特征值的差值并求平方
    # tile(A,(m,n))，功能是将数组A行重复m次 列重复n次
    diff_mat = np.tile(test_set, (train_size, 1)) - train_set
    sq_diff_mat = diff_mat ** 2

    # 计算欧式距离 存储到数组 distances
    sq_distances = sq_diff_mat.sum(axis=1)
    distances = sq_distances ** 0.5

    # 按距离由小到大排序对索引进行排序
    sorted_index = distances.argsort()

    # 求距离最短k个样本中 出现最多的分类
    class_count = {}
    for i in range(k):
        near_label = labels[sorted_index[i]]
        class_count[near_label] = class_count.get(near_label, 0) + 1
    sorted_class_count = sorted(class_count.items(), key=operator.itemgetter(1), reverse=True)
    return sorted_class_count[0][0]

3、统计分类错误率

# train_data_path 训练样本文件夹
# test_data_path 测试样本文件夹
# k k个最近邻居
def get_error_rate(train_data_path, test_data_path, k):
    """统计识别错误率"""
    width, height = 32, 32
    train_labels = []

    training_file_list = os.listdir(train_data_path)
    train_size = len(training_file_list)

    # 生成全为0的训练集数组
    train_set = np.zeros((train_size, width * height))

    # 读取训练样本
    for i in range(train_size):
        file = training_file_list[i]
        file_name = file.split('.')[0]
        label = str(file_name.split('_')[0])
        train_labels.append(label)
        train_set[i, :] = img2vector(os.path.join(train_data_path, training_file_list[i]), width, height)

    test_file_list = os.listdir(test_data_path)
    # 识别错误的个数
    error_count = 0.0
    # 测试样本的个数
    test_count = len(test_file_list)

    # 统计识别错误的个数
    for i in range(test_count):
        file = test_file_list[i]
        true_label = file.split('.')[0].split('_')[0]

        test_set = img2vector(os.path.join(test_data_path, test_file_list[i]), width, height)
        test_label = classify(test_set, train_set, train_labels, k)
        print(true_label, test_label)
        if test_label != true_label:
            error_count += 1.0
    percent = error_count / float(test_count)
    print("识别错误率是:{}".format(str(percent)))

上述完整代码地址：https://gitee.com/beiyan/machine_learning/tree/master/knn

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！