基于KNN 算法的数字识别程序

以下是基于KNN算法的数字识别程序的示例代码：

import numpy as np
import cv2
from sklearn.neighbors import KNeighborsClassifier

# 读取训练数据
train_data = np.load('train_data.npy')
train_labels = np.load('train_labels.npy')

# 创建KNN分类器
knn = KNeighborsClassifier(n_neighbors=5)

# 训练分类器
knn.fit(train_data, train_labels)

# 读取测试图像
test_img = cv2.imread('test_img.png', cv2.IMREAD_GRAYSCALE)

# 调整图像大小为28x28像素
test_img = cv2.resize(test_img, (28, 28))

# 将图像转换为一维向量
test_data = test_img.reshape(1, 28*28)

# 使用KNN算法进行分类
result = knn.predict(test_data)

# 输出分类结果
print('The digit in the test image is:', result[0])

在这个示例代码中，我们首先读取训练数据和标签，然后使用KNN算法训练分类器。接着，我们读取测试图像并将其调整为28x28像素的大小，然后将其转换为一维向量。最后，我们使用训练好的KNN分类器对测试图像进行分类，并输出分类结果。

需要注意的是，训练数据和标签应当是一个二维数组和一个一维数组，其中每一行表示一个训练样本，每一列表示该样本的一个特征。在本例中，每个训练样本都是一个28x28像素的灰度图像，因此每个样本有784个特征（即28x28）。测试数据也应当是一个一维数组，其中每个元素表示一个特征。