在计算机视觉领域，数字识别是一个经典问题，广泛应用于邮政编码识别、车牌识别等场景。本文将介绍如何使用 OpenCV 进行图像处理，并结合 KNN（K 近邻）算法实现数字识别，同时对比 OpenCV 内置 KNN 与 scikit-learn 库中 KNN 的实现差异。
准备工作
首先，我们需要导入所需的库：
import numpy as np
import cv2
from sklearn.neighbors import KNeighborsClassifier其中，numpy用于数值计算，cv2（OpenCV）用于图像处理，KNeighborsClassifier则是 scikit-learn 库中的 KNN 分类器。
图像读取与预处理
我们需要读取两张图像：一张包含大量数字样本的训练图像，另一张作为测试图像。
# 读取训练图像和测试图像
img = cv2.imread(r'D:\pythonProject11\class\aa.png')
c_img = cv2.imread(r'D:\pythonProject11\class\ccc.png')
# 将彩色图像转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
c_gray = cv2.cvtColor(c_img, cv2.COLOR_BGR2GRAY)彩色图像包含 RGB 三个通道，转换为灰度图像可以减少计算量，同时保留图像的主要特征。cv2.cvtColor函数用于颜色空间转换，COLOR_BGR2GRAY参数表示从 BGR 格式（OpenCV 默认的彩色图像格式）转换为灰度格式。
数据准备
图像分割
我们假设训练图像是一个包含 50 行 100 列数字的网格图像，每个数字占据一个 20×20 像素的区域。我们需要将这个大图像分割成多个小图像，每个小图像对应一个数字样本。
python
运行
# 先垂直分割成50行，再对每行水平分割成100列
cell = np.array([np.hsplit(row, 100) for row in np.split(gray, 50)])
这里使用了np.split和np.hsplit两个函数：
np.split(gray, 50)将灰度图像垂直分割成 50 个等高度的子数组np.hsplit(row, 100)将每个子数组水平分割成 100 个等宽度的子数组
最终得到的cell是一个形状为 (50, 100, 20, 20) 的数组，表示 50 行 100 列，每个元素是 20×20 像素的数字图像。
训练集和测试集划分
我们将前 50 列作为训练集，后 50 列作为测试集：
python
运行
# 划分训练集和测试集
train_ma = cell[:, :50] # 前50列作为训练集
test_ma = cell[:, 50:100] # 后50列作为测试集
# 转换为二维数组（样本数×特征数）
train_ma = train_ma.reshape(-1, 400).astype(np.float32) # 50×50=2500个样本，每个样本20×20=400个特征
test_ma = test_ma.reshape(-1, 400).astype(np.float32)
reshape(-1, 400)将每个 20×20 的图像转换为一个长度为 400 的一维数组，便于作为机器学习算法的输入。-1表示自动计算该维度的大小，这里计算结果为 2500（50×50）。
标签生成
我们需要为每个样本生成对应的标签（即该样本对应的数字）。假设图像中的数字是按 0-9 的顺序重复排列的：
python
运行
# 生成标签
kernel = np.arange(10) # 生成0-9的数字
train_la = np.repeat(kernel, 250)[:, np.newaxis] # 每个数字重复250次，形成2500个标签
test_la = np.repeat(kernel, 250)[:, np.newaxis]
np.repeat(kernel, 250)将 0-9 每个数字重复 250 次，得到一个长度为 2500 的数组，与我们的样本数量一致。[:, np.newaxis]将一维数组转换为二维列向量，以满足 OpenCV 中 KNN 算法对标签格式的要求。
测试图像预处理
我们需要对测试图像进行同样的预处理：
python
运行
# 预处理测试图像
c_test = np.array(c_gray).reshape(-1, 400).astype(np.float32)
使用 OpenCV 的 KNN 进行识别
OpenCV 库中内置了 KNN 算法的实现：
python
运行
# 创建并训练OpenCV的KNN模型
knn = cv2.ml.KNearest_create()
knn.train(train_ma, cv2.ml.ROW_SAMPLE, train_la) # ROW_SAMPLE表示每行是一个样本
# 预测
ret, results, neigh, dist = knn.findNearest(c_test, 4) # 寻找4个最近邻
print("OpenCV KNN预测结果：", results)
cv2.ml.KNearest_create()创建一个 KNN 模型实例，train方法用于训练模型，findNearest方法用于预测。findNearest的第二个参数表示要寻找的最近邻数量 K。
使用 scikit-learn 的 KNN 进行识别
我们也可以使用 scikit-learn 库中的 KNN 实现：
python
运行
# 为scikit-learn准备标签（一维数组）
train_la = np.repeat(kernel, 250)
test_la = np.repeat(kernel, 250)
# 创建并训练scikit-learn的KNN模型
knnl = KNeighborsClassifier(n_neighbors=5) # K=5
knnl.fit(train_ma, train_la)
# 评估模型准确率
a = knnl.score(test_ma, test_la)
print("模型准确率：", a)
# 预测
b = knnl.predict(c_test)
print("scikit-learn KNN预测结果：", b)
scikit-learn 的 KNN 使用起来更加简洁，KNeighborsClassifier的n_neighbors参数指定 K 值，fit方法用于训练，score方法用于评估模型准确率，predict方法用于预测。
总代码
import numpy as np
import cv2
from sklearn.neighbors import KNeighborsClassifier
img = cv2.imread(r'D:\pythonProject11\class\aa.png')
c_img = cv2.imread(r'D:\pythonProject11\class\ccc.png')
# c_img = cv2.imread('img_1.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#转化为灰度图像
c_gray = cv2.cvtColor(c_img,cv2.COLOR_BGR2GRAY)
c_test = np.array(c_gray).reshape(-1,400).astype(np.float32)
cell =np.array([np.hsplit(row,100) for row in
np.split(gray,50)])
train_ma = cell[:,:50]
test_ma = cell[:,50:100]
train_ma = train_ma.reshape(-1,400).astype(np.float32)
test_ma = test_ma.reshape(-1,400).astype(np.float32)
kernel = np.arange(10)
train_la = np.repeat(kernel,250)[:,np.newaxis]#cv2的方法
test_la = np.repeat(kernel,250)[:,np.newaxis]
knn = cv2.ml.KNearest_create()
knn.train(train_ma,cv2.ml.ROW_SAMPLE,train_la)#cv2.mL.ROW_SAMPLE:这是一个标志，告诉0pencv训练数据是按行组织的，即每一行是一个样本。
ret, results, neigh, dist = knn.findNearest(c_test,4)
print(results)
train_la = np.repeat(kernel,250)#sklearn的方法
test_la = np.repeat(kernel,250)
knnl = KNeighborsClassifier(n_neighbors=5)
knnl.fit(train_ma,train_la)
a=knnl.score(test_ma,test_la)
b=knnl.predict(c_test)
print(a,b)两种实现的对比
接口设计：OpenCV 的 KNN 接口更偏向于计算机视觉领域的使用习惯，而 scikit-learn 的接口则更符合机器学习的通用范式。
输入格式：OpenCV 的 KNN 要求标签是列向量，而 scikit-learn 的 KNN 要求标签是一维数组。
功能：scikit-learn 的 KNN 提供了更多的评估方法和参数设置，而 OpenCV 的 KNN 则更轻量，与图像处理功能结合更紧密。
结果：在相同的 K 值设置下，两种实现的预测结果应该是相似的，但可能会因为具体实现细节的不同而略有差异。
总结
本文介绍了如何使用 OpenCV 进行图像预处理，以及如何使用 KNN 算法实现数字识别。通过对比 OpenCV 和 scikit-learn 中 KNN 的实现，我们可以看到不同库在接口设计和使用方式上的差异。
在实际应用中，我们可以根据具体需求选择合适的库和算法。如果需要处理图像并进行简单的分类，OpenCV 的 KNN 可能是一个不错的选择；如果需要更复杂的机器学习功能和更全面的评估方法，scikit-learn 则更为适合。
此外，KNN 算法虽然简单易懂，但在处理大规模数据集时效率较低。在实际应用中，我们可能需要考虑使用更高效的算法，如 SVM、神经网络等，以获得更好的性能。