计算机不能直接识别一张图片，我们需要通过一些预处理手段将图片转换成计算机能识别的内容，如数字0和1。本节讲解在Python中如何对一张图片进行简单处理，使其变成计算机能识别的内容。

1、图片大小调整及显示

Pillow库是一款功能强大、简单好用的第三方图像处理库，使用人数众多。如果没有该库，可以通过“pip install pillow”命令进行安装。演示代码如下。

数字4.png

from PIL import Image
img = Image.open("数字4.png")
img = img.resize((32,32))
img.show()

输出如下：

2、图片灰度处理

原始图片是一个彩色的数字4，我们需要对其进行灰度处理，将其转换为黑白的数字4，以便之后将其转换为数字0和1，代码如下。

img = img.convert("L")
img.show()

输出如下：

3、图片二值化处理

获得黑白的数字4后，就要进行关键的图像二值化处理了，代码如下。

import numpy as np
img_new = img.point(lambda x:0 if x > 128 else 1) 
arr = np.array(img_new)

• 第1行代码引入NumPy库，为之后将图像转换为二维数组做准备。

• 第2行代码中的point()函数可以操控每一个像素点，point()函数中传入的内容为之前讲pandas库时讲过的lambda匿名函数，其含义为将色彩数值大于128的像素点赋值为0，反之赋值为1。图像在进行灰度处理后，每一个像素点由一个取值范围为0～255的数字表示，其中0代表黑色，255代表白色，所以这里以128为阈值进行划分，即原来偏白色的区域赋值为0，原来偏黑色的区域赋值为1。这样便完成了将颜色转换成数字0和1的工作。

• 第3行代码用NumPy库的array()函数将已经转换成数字0和1的32×32像素的图片转换为32×32的二维数组，并赋给变量arr。

此时可以直接用print()函数将arr打印出来，不过因为其行列较多，可能显示不全，所以我们通过如下代码依次打印arr的每一行。第1行代码中的arr.shape获取的是数组的行数和列数，arr.shape[0]对应行数，arr.shape[1]则对应列数，这样通过for循环就可以打印每行内容了。

for i in range(arr.shape[0]):
    print(arr[i])

4、将二维数组转换为一维数组

上面获得的32×32的二维数组不能用于数据建模，因此还需要用reshape（1,-1）函数将其转换成一行（若写成reshape（-1,1）则转换成一列），即1×1024的一维数组，代码如下。

arr_new = arr.reshape(1,-1)
arr_new

通过如下代码打印输出一维数组arr_new的行列数。

arr_new.shape

(1, 1024)

把处理好的一维数组arr_new传入前面训练好的knn模型中，代码如下。

下载 手写字体识别.xlsx

import pandas as pd
df = pd.read_excel("手写字体识别.xlsx")
x = df.drop(columns="对应数字")
y = df["对应数字"]
from sklearn.model_selection import train_test_split 
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.2,random_state=123)
from sklearn.neighbors import KNeighborsClassifier as KNN 
knn = KNN(n_neighbors=5) 
knn.fit(x_train,y_train)
answer = knn.predict(arr_new)

输出如下：

5、总结

总体来说，K近邻算法是一种非常经典的机器学习算法，其原理清晰简单，容易理解，不过也有一些缺点，例如，样本量较大时计算量大，拟合速度较慢。