Python版本是Python3.7.3，OpenCV版本OpenCV3.4.1，开发环境为PyCharm

20.4 自定义函数手写数字识别

OpenCV提供了函数cv2.KNearest()用来实现K近邻算法，在OpenCV中可以直接调用该函数。为了进一步了解K近邻算法及其实现方式，本节首先使用Python和OpenCV实现一个识别手写数字的实例。
eg：编写程序，演示K近邻算法。
在本例中，0~9的每个数字都有10个特征值。例如，数字“0”的特征值如下图所示。为了便于描述，将所有这些用于判断分类的图像称为特征图像。

opencv 识别数字 opencv识别数字函数_opencv 识别数字

下面分步骤实现手写数字的识别。

1．数据初始化
对程序中要用到的数据进行初始化。涉及的数据主要有路径信息、图像大小、特征值数量、用来存储所有特征值的数据等。
本例中：
● 特征图像存储在当前路径的“image”文件夹下。
● 用于判断分类的特征值有100个（对应100幅特征图像）。
● 特征图像的行数（高度）、列数（宽度）可以通过程序读取。也可以在图像上单击鼠标右键后通过查找属性值来获取。这里采用设置好的特征图像集，每个特征图像都是高240行、宽240列。
根据上述已知条件，对要用到的数据初始化：

s=‘image\’ # 图像所在的路径
num=100 # 共有特征值的数量
row=240 # 特征图像的行数
col=240 # 特征图像的列数
a=np.zeros((num, row, col))    # a用来存储所有特征的值

2．读取特征图像
本步骤将所有的特征图像读入到a中。共有10个数字，每个数字有10个特征图像，采用嵌套循环语句完成读取。具体代码如下：

n=0 # n用来存储当前图像的编号。
for i in range(0,10):
    for j in range(1,11):
      a[n, :, :]=cv2.imread(s+str(i)+'\\'+str(i)+'-'+str(j)+'.bmp',0)
      n=n+1

3．提取特征图像的特征值

在提取特征值时，可以计算每个子块内黑色像素点的个数，也可以计算每个子块内白色像素点的个数。这里我们选择计算白色像素点（像素值为255）的个数。按照上述思路，图像映射到特征值的关系如下图所示。

opencv 识别数字 opencv识别数字函数_自定义函数手写数字识别_02

这里需要注意，特征值的行和列的大小都是原图像的1/5。所以，在设计程序时，如果原始图像内位于(row, col)位置的像素点是白色，则要把对应特征值内位于(row/5, col/5)处的值加1。
代码如下：

feature=np.zeros((num,round(row/5),round(col/5))) #用来存储所有样本的特征值
#print(feature.shape)  #看看feature的shape长什么样子
#print(row)            #看看row的值，有多少个特征（100）个
for ni in range(0,num):
    for nr in range(0,row):
        for nc in range(0,col):
            if a[ni,nr,nc]==255:
                feature[ni,int(nr/5),int(nc/5)]+=1
f=feature   #简化变量名称

4．计算待识别图像的特征值
读取待识别图像，然后计算该图像的特征值。编写代码如下：

o=cv2.imread('image\\test\\5.bmp',0) #读取待测图像
#读取图像值
of=np.zeros((round(row/5),round(col/5))) #用来存储测试图像的特征值
for nr in range(0,row):
    for nc in range(0,col):
        if o[nr,nc]==255:
            of[int(nr/5),int(nc/5)]+=1

5．计算待识别图像与特征图像之间的距离
依次计算待识别图像与特征图像之间的距离。编写代码如下：

d=np.zeros(100)
for i in range(0,100):
    d[i]=np.sum((of-f[i,:,:])*(of-f[i,:,:]))

数组d通过依次计算待识别图像特征值of与数据集f中各个特征值的欧氏距离得到。数据集f中依次存储的是数字0~9的共计100个特征图像的特征值。所以，数组d中的索引号对应着各特征图像的编号。例如，d[mn]表示待识别图像与数字“m”的第n个特征图像的距离。数组d的索引与特征图像之间的对应关系如下表所示。

opencv 识别数字 opencv识别数字函数_自定义函数手写数字识别_03


如果将索引号整除10，得到的值正好是其对应的特征图像上的数字。例如d[34]对应着待识别图像到数字“3”的第4个特征图像的欧式距离。而将34整除10，得到 int(34/10)=3，正好是其对应的特征图像上的数字。

确定了索引与特征图像的关系，下一步可以通过计算索引达到数字识别的目的。

6．获取k个最短距离及其索引
从计算得到的所有距离中，选取k个最短距离，并计算出这k个最短距离对应的索引。具体实现方式是：
● 每次找出最短的距离（最小值）及其索引（下标），然后将该最小值替换为最大值。
● 重复上述过程k次，得到k个最短距离对应的索引。
每次将最小值替换为最大值，是为了确保该最小值在下一次查找最小值的过程中不会再次被找到。例如，要在数字序列“11, 6, 3, 9”内依次找到从小到大的值。
● 第1次找到了最小值“3”，同时将“3”替换为“11”。此时，要查找的序列变为“11, 6, 11, 9”。
● 第2次查找最小值时，在序列“11, 6, 11, 9”内找到的最小值是数字“6”，同时将“6”替换为最大值“11”，得到序列“11,11,11,9”。
不断地重复上述过程，依次在第3次找到最小值“9”，在第4次找到最小值“11”。当然，在本例中查找的是数值，具体实现时查找的是索引值。
根据上述思路，编写代码如下：

d=d.tolist()
temp=[]
Inf = max(d)
#print(Inf)
k=7
for i in range(k):
    temp.append(d.index(min(d)))
    d[d.index(min(d))]=Inf

7．识别

根据计算出来的k个最小值的索引，结合表20-2就可以确定索引所对应的数字。具体实现方法是将索引值整除10，得到对应的数字。
例如，在k=11时，得到最小的11个值所对应的索引依次为：66、60、65、63、68、69、67、78、89、96、32。它们所对应的特征图像如下表所示。

opencv 识别数字 opencv识别数字函数_特征值_04

这说明，当前待识别图像与数字“6”的第6个特征图像距离最近；接下来，距离最近的第2个特征图像是数字“6”的第0个特征图像（序号从0开始）；以此类推，距离最近的第11个特征图像是数字“3”的第2个特征图像。
上述结果说明，与待识别图像距离最近的特征图像中，有7个是数字“6”的特征图像。所以，待识别图像是数字“6”。
下面讨论如何通过程序识别数字。已知将索引整除10，就能得到对应特征图像上的数字，因此对于上述索引整除10：
(66, 60, 65, 63, 68, 69, 67, 78, 89, 96, 32)整除10=(6, 6, 6, 6, 6, 6, 6, 7, 8, 9, 3)
为了叙述上的方便，将上述整除结果标记为dr，在dr中出现次数最多的数字，就是识别结果。对于上例，dr中“6”的个数最多，所以识别结果就是数字“6”。
这里我们借助索引判断一组数字中哪个数字出现的次数最多：
● 建立一个数组r，让其元素的初始值都是0。
● 依次从dr中取数字n，将数组r索引位置为n的值加1。例如，从dr中取到的第1个数字为“6”，将r[6]加上1；
从dr中取到第2个数字也为“6”，将r[6]加上1；以此类推，对于dr=[6, 6, 6, 6, 6, 6, 6, 7, 8, 9, 3]，得到数组r的值为[0, 0, 0, 1, 0, 0, 7, 1, 1, 1]。
在数组r中：
● r[0]=0，表示在dr中不存在值为0的元素。
● r[3]=1，表示在dr中有1个“3”。
● r[6]=7，表示在dr中有7个“6”。
● r[7]=1，表示在dr中有1个“7”。
● r[8]=1，表示在dr中有1个“8”。
● r[9]=1，表示在dr中有1个“9”。
● r中其余为0的值，表示其对应的索引在dr中不存在。
根据上述思路，编写代码如下：

temp=[i/10 for i in temp]
#数组r用来存储结果，r[0]表示k近邻中0的个数，r[n]K近邻中n的个数
r=np.zeros(10)
for i in temp:
    r[int(i)]+=1
#print(r)
print('当前的数字可能为:'+str(np.argmax(r)))

上述过程是分步骤的分析结果，以下是全部源代码：

import cv2
import numpy as np
import matplotlib.pyplot as plt
#读取样本（特征）图像的值
s='image\\'  #图像所在路径
num=100 #共有样本数量
row=240 #每个数字图像的行数
col=240 #每个数字图像的列数
a=np.zeros((num,row,col)) #用来存储所有样本的数值
#print(a.shape)
n=0 #用来存储当前图像的编号。
for i in range(0,10):
    for j in range(1,11):
        a[n,:,:]=cv2.imread(s+str(i)+'\\'+str(i)+'-'+str(j)+'.bmp',0)
        n=n+1

#提取样本图像的特征
feature=np.zeros((num,round(row/5),round(col/5))) #用来存储所有样本的特征值
#print(feature.shape)  #看看feature的shape长什么样子
#print(row)            #看看row的值，有多少个特征（100）个

for ni in range(0,num):
    for nr in range(0,row):
        for nc in range(0,col):
            if a[ni,nr,nc]==255:
                feature[ni,int(nr/5),int(nc/5)]+=1
f=feature   #简化变量名称

#####计算当前待识别图像的特征值
o=cv2.imread('image\\test\\5.bmp',0) #读取待测图像
##读取图像值
of=np.zeros((round(row/5),round(col/5))) #用来存储测试图像的特征值
for nr in range(0,row):
    for nc in range(0,col):
        if o[nr,nc]==255:
            of[int(nr/5),int(nc/5)]+=1


###开始计算，数字识别，计算最近的times个数字是谁，判断结果
d=np.zeros(100)
for i in range(0,100):
    d[i]=np.sum((of-f[i,:,:])*(of-f[i,:,:]))
#print(d)
d=d.tolist()
temp=[]
Inf = max(d)
#print(Inf)
k=7
for i in range(k):
    temp.append(d.index(min(d)))
    d[d.index(min(d))]=Inf
#print(temp)   #看看都被识别为哪些特征值了。

 
temp=[i/10 for i in temp]
#也可以返回去，处理为array,使用函数处理，意思差不多。
#temp=np.array(temp)
#temp=np.trunc(temp/10)
#print(temp)
#数组r用来存储结果，r[0]表示k近邻中0的个数，r[n]K近邻中n的个数
r=np.zeros(10)
for i in temp:
    r[int(i)]+=1
#print(r)
print('当前的数字可能为:'+str(np.argmax(r)))

算法准确度不够，测试照片中输入“7”，预测结果是“1”；输入“9”，预测结果是“7”