用python实现的的手写数字识别器
概述
详细
前言
k-近邻（kNN, k-NearestNeighbor）算法是一种基本分类与回归方法，
通俗点来说，就是给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的 k 个实例，这 k 个实例的多数属于某个类，就把该输入实例分为这个类。
python 第三方库scikit-learn(sklearn)提供了knn的分类器。
MNIST手写数字数据库（Mixed National Institute of Standards and Technology database）包含
70000张手写数字图片。这些数字是通过美国国家统计局的员工和美国高校的学生收集的。每张图片
都是28x28的灰度图。
用mnist数据集训练出一个knn分类器，对新输入的手写数字进行识别。
准备工作
1.安装必要的第三方库：
pip install scikit-learn
pip install numpy
pip install wxPython
安装PIL,在以下地址下载PIL库进行安装:
http://effbot.org/media/downloads/PIL-1.1.7.win32-py2.7.exe
（或在http://effbot.org/downloads/ 中找到与你操作系统及python版本相对应
版本的PIL)
2.下载mnist数据集：
可以从以下地址下载mnist数据集。
http://yann.lecun.com/exdb/mnist/
如下：
项目结构图
整体的项目结构十分简单，一共两个脚本文件，一个是GUI界面脚本（digit_gui.py)，
一个是分类器脚本(model.py)。
如下：
实现过程的部分代码展示
1. 在model.py中导入相关的库：
import numpy as np import os from PIL import Image import random from sklearn.neighbors import KNeighborsClassifier as knn from sklearn.externals import joblib
2. 编写model.py中的相关函数，
将图片转为向量：
def img2vec(fname):
\'\'\'将jpg等格式的图片转为向量\'\'\'
im = Image.open(fname).convert(\'L\')
im = im.resize((28,28))
tmp = np.array(im)
vec = tmp.ravel()
return vec
随机抽取1000张图片作为训练集:
def split_data(paths):
\'\'\'随机抽取1000张图片作为训练集\'\'\'
fn_list = os.llistdir(paths)
X = []
y = []
d0 = random.sample(fn_list,1000)
for i,name in enumerate(d0):
y.append(name[0])
X.append(img2vec(name))
dataset = np.array([X,y])
return X,y
构建分类器:
def knn_clf(X_train,label):
\'\'\'构建分类器\'\'\'
clf = knn()
clf.fit(X_train,label)
return clf
保存模型：
def save_model(model,output_name):
\'\'\'保存模型\'\'\'
joblib.dump(model,ouotput_name)
3. 训练模型：
X_train,y_label = split_data(file_path) clf = knn_clf(X_train,y_label) save_model(clf,\'mnist_knn1000.m\')
4. 在digit_gui.py中编写用户界面：
导入相关的库：
import wx from collections import namedtuple from PIL import Image import os import model
编写界面：
class MainWindow(wx.Frame):
def __init__(self,parent,title):
wx.Frame.__init__(self,parent,title=title,size=(600,-1))
static_font = wx.Font(12, wx.SWISS, wx.NORMAL, wx.NORMAL)
Size = namedtuple("Size",[\'x\',\'y\'])
s = Size(100,50)
sm = Size(100,25)
self.fileName = None
self.model = model
b_labels = [u\'open\',u\'run\']
TipString = [u\'选择图片\', u\'识别数字\']
funcs = [self.choose_file,self.run]
\'\'\'create input area\'\'\'
self.in1 = wx.TextCtrl(self,-1,size = (2*s.x,3*s.y))
self.out1 = wx.TextCtrl(self,-1,size = (s.x,3*s.y))
\'\'\'create button\'\'\'
self.sizer0 = wx.FlexGridSizer(rows=1, hgap=4, vgap=2)
self.sizer0.Add(self.in1)
buttons = []
for i,label in enumerate(b_labels):
b = wx.Button(self, id = i,label = label,size = (1.5*s.x,s.y))
buttons.append(b)
self.sizer0.Add(b)
self.sizer0.Add(self.out1)
\'\'\'set the color and size of labels and buttons\'\'\'
for i,button in enumerate(buttons):
button.SetForegroundColour(\'red\')
button.SetFont(static_font)
button.SetToolTipString(TipString[i])
button.Bind(wx.EVT_BUTTON,funcs[i])
\'\'\'layout\'\'\'
self.SetSizer(self.sizer0)
self.SetAutoLayout(1)
self.sizer0.Fit(self)
self.CreateStatusBar()
self.Show(True)
界面如下：
编写控件的回调函数：
def run(self,evt):
if self.fileName is None:
self.raise_msg(u\'请选择一幅图片\')
return None
else:
model_path = os.path.join(origin_path,\'mnist_knn1000.m\')
clf = model.load_model(model_path)
ans = model.tester(self.fileName,clf)
self.out1.Clear()
self.out1.write(str(ans))
def choose_file(self,evt):
\'\'\'choose img\'\'\'
dlg = wx.FileDialog(
self, message="Choose a file",
defaultDir=os.getcwd(),
defaultFile="",
wildcard=wildcard,
style=wx.OPEN | wx.MULTIPLE | wx.CHANGE_DIR
)
if dlg.ShowModal() == wx.ID_OK:
paths = dlg.GetPaths()
dlg.Destroy()
self.in1.Clear()
self.in1.write(paths[0])
self.fileName = paths[0]
im = Image.open(self.fileName)
im.show()
else:
return None
运行效果
注：本文著作权归作者，由demo大师发表，拒绝转载，转载需要作者授权