基于 OpenCV 与 sklearn 的数字识别：KNN 算法实践

原创

已于 2025-07-28 17:07:24 修改 · 1.2k 阅读

31 ·

CC 4.0 BY-SA版权

文章标签：

#opencv #sklearn #算法

于 2025-07-28 17:04:53 首次发布

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，CO