zoukankan      html  css  js  c++  java
  • 机器学习之 KNN近邻算法(三)图像识别

    其他图像识别链接:https://www.cnblogs.com/sjzh/p/6104105.html

    图像归一化和二值化处理链接:https://blog.csdn.net/m0_38052500/article/details/107305000

    一、图像基础知识

    1) 图像(如rpg格式)由像素点组成

      400*300意思是行400像素点,列300像素点

    2)每个像素点 => RGB(a,b,c) 其中a b c介于 [0,255] 

    3)灰色的像素点 a=b=c ,靠近白色则近255,靠近黑色则近0

      即:黑白灰图片的像素点必然 a=b=c

    总结:一个图像的shape:(行像素,列像素,3)

    二、图像识别流程分析

    4-0 opencv: 计算机视觉lib

    4-1 读取图片  import cv2 

        digit = cv2.imread("D:/PyProjects/data/KNN/mnist_data/0.0.jpg")
        plt.imshow(digit)
        plt.show()

    结果:

     4-2 提取特征

    由于处理的是黑白灰图,a=b=c,提取图像的特征只需要2轴中的一个数字,于是

    先求出原图的shape => (28,28,3)

     digit[:,:,0]  降维成2维, .reshape(784,) 变成1维,28*28=784

    结果:获得一维特征

     4-3 特征优化—— 二值化处理:黑白灰变成黑白,防止灰色混杂在黑色里

    1)手写字体情况:我们并不需要知晓黑色的深浅,只需要知道黑色的部分是否不是黑色。因为不是白色的位置,就意味着是字体的一部分。

    >>> 直接 if x!= 255 赋值 1 else 0  # 只要不是白色,就一定是黑色

    2)其他:

    Q1: 待解决的问题:如何界定判定黑 白的标准?

       # 灰 -> 黑 or 白
       for rn in range(len(res)):
           res[rn] = 0 if res[rn] < 100 else 255
       train.append(res)            

    4-4 循环读入图片,num是label,flag是对应num的图片

    # 训练目标数组和训练集数组
        train,target = [],[]
        # 利用循环读入0-9的每个3000张图片
        for num in range(10):
            for flag in range(3000):
                target.append(num) # array-like of shape (n_samples,) or (n_samples, n_outputs)
                digit = cv2.imread("D:/PyProjects/data/KNN/mnist_data/"+str(num)+"."+str(flag)+".jpg")
                res = digit[:,:,0].reshape(784) # 灰色R=P=G
                # 灰 -> 黑 or 白
                for rn in range(len(res)):
                    res[rn] = 0 if res[rn] < 100 else 255
                train.append(res) 

    4-5  求最佳近邻值

        krange = range(1,55)
        knnscore = []
        for k in krange:
            knn = KNeighborsClassifier()
            val = cross_val_score(knn,train,target,cv=20,scoring='accuracy') # 为什么20? => 一定有0-9
            knnscore.append(val.mean())
        plt.plot(krange,knnscore,'r')
        plt.show()

    结果:

     问题:为什么cv=20?

    4-6  建立KNN模型算法

    knn = KNeighborsClassifier(n_neighbors=6,weights='distance',p=2,n_jobs=-1) # p=2 欧式距离;n_jobs=-1 所有线程都工作;
    knn.fit(train,target) # KNN模型已生成

    参数含义见

    https://blog.csdn.net/weixin_41990278/article/details/93169529

    4-7 测试模型识别结果是否准确

      # 图像识别测试
       # 数据准备
        test,test_target = [],[]
        for rn in range(10):
            for co in range(300,310): # 使用每个label的第300-309个图片测试
                test_target.append(rn)
                digit1 = cv2.imread("D:/PyProjects/data/KNN/mnist_data/" + str(rn) + "." + str(co) + ".jpg")
                res1 = digit1[:, :, 0].reshape(784)  # 灰色R=P=G
                for rn in range(len(res1)):
                    res1[rn] = 0 if res1[rn] < 100 else 255
                test.append(res1)
        # 数据预测        
        pred_res = knn.predict(test)
        print("====识别结果===")
        print(pred_res)
        print("====真实结果===")
        print(test_target)
  • 相关阅读:
    mysql引擎简介
    spring mvc + mybatis 框架搭建 ( idea + gradle)
    ubuntu下 java、mysql、tomcat(ssl认证) 配置
    Zookeeper 选举机制和脑裂问题
    mininet 入门引导
    Mac OS X 使用python urllib 模块 通过ssl访问报错 urllib.error.URLError
    macOS 下,连接zookeeper等java软件加载较慢的解决方案
    探索学习LinkedList和ArrayList的差别
    mininet 部署记录
    分布式系统 学习笔记
  • 原文地址:https://www.cnblogs.com/sabertobih/p/13927760.html
Copyright © 2011-2022 走看看