基于opencv和knn的简单数字识别代码

### 回答1：
好的，您可以参考下面的代码：

import cv2
import numpy as np

# 读取训练数据
samples = np.loadtxt('samples.data',np.float32)
responses = np.loadtxt('responses.data',np.float32)
responses = responses.reshape((responses.size,1))

# 训练knn分类器
model = cv2.ml.KNearest_create()
model.train(samples,cv2.ml.ROW_SAMPLE,responses)

# 读取测试图像
img = cv2.imread('test.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

# 对图像进行二值化处理
ret,thresh = cv2.threshold(gray,0,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)

# 查找轮廓
contours,hierarchy = cv2.findContours(thresh,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

# 遍历所有轮廓
for cnt in contours:
    # 计算轮廓的周长
    perimeter = cv2.arcLength(cnt,True)
    # 计算轮廓的近似多边形
    approx = cv2.approxPolyDP(cnt,0.02*perimeter,True)
    # 如果近似多边形的边数为4，则认为是数字区域
    if len(approx) == 4:
        # 计算数字区域的位置、宽度和高度
        x,y,w,h = cv2.boundingRect(cnt)
        # 取出数字区域
        roi = thresh[y:y+h,x:x+w]
        # 调整大小为20*20像素
        roi = cv2.resize(roi,(20,20),interpolation=cv2.INTER_AREA)
        # 将数字区域转换为单行特征向量
        feature = roi.reshape((1,400)).astype(np.float32)
        # 使用knn分类器进行识别
        ret,result,neighbours,dist = model.findNearest(feature,5)
        # 输出识别结果
        print(int(result))

其中，samples.data和responses.data是训练数据，可以通过以下代码生成：

import cv2
import numpy as np

# 读取训练图像
digits = cv2.imread('digits.png')
gray = cv2.cvtColor(digits,cv2.COLOR_BGR2GRAY)

# 对图像进行二值化处理
ret,thresh = cv2.threshold(gray,0,255,cv2.THRESH_BINARY_INV)

# 将图像划分为5000个20*20的小图像块
cells = [np.hsplit(row,100) for row in np.vsplit(thresh,50)]

# 将小图像块转换为一维的特征向量
samples = np.array([ cell.reshape((1,400)) for row in cells for cell in row],np.float32)

# 创建训练标签
responses = np.arange(10)
responses = np.repeat(responses,500)[:,np.newaxis]

# 保存训练数据
np.savetxt('samples.data',samples)
np.savetxt('responses.data',responses)

其中，digits.png是包含数字的图像文件。

### 回答2：
基于OpenCV和KNN的简单数字识别代码可以使用以下步骤：

1. 导入OpenCV库和其他必要的库。

import cv2
import numpy as np
from sklearn import neighbors
from sklearn.model_selection import train_test_split

2. 加载数字图像数据集并准备训练数据和标签。

data = np.loadtxt('digits.csv', delimiter=',')
X, y = data[:, :-1], data[:, -1]

3. 将数据集划分为训练集和测试集。

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

4. 初始化KNN分类器。

knn = neighbors.KNeighborsClassifier(n_neighbors=3)

5. 训练KNN分类器。

knn.fit(X_train, y_train)

6. 加载待识别的数字图像。

image = cv2.imread('test_image.png', 0)

7. 预处理图像，例如二值化处理。

ret, threshold_image = cv2.threshold(image, 100, 255, cv2.THRESH_BINARY)

8. 对预处理后的图像进行轮廓提取。

contours, _ = cv2.findContours(threshold_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

9. 对每个轮廓进行数字识别。

for contour in contours:
    x, y, w, h = cv2.boundingRect(contour)
    roi = threshold_image[y:y + h, x:x + w]
    resized_roi = cv2.resize(roi, (20, 20))
    flattened_roi = resized_roi.flatten().reshape(1, -1)
    result = knn.predict(flattened_roi)
    cv2.putText(image, str(int(result[0])), (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)

10. 显示识别结果。

cv2.imshow("Result", image)
cv2.waitKey(0)
cv2.destroyAllWindows()

这是一个基于OpenCV和KNN的简单数字识别代码。它加载图像数据集并训练KNN分类器。然后，它加载待识别的数字图像，对其进行预处理和轮廓提取，并使用训练好的KNN分类器进行数字识别。最后，显示数字识别结果。