更新 function.py

function.py

@@ -54,19 +54,13 @@ def classify(input_vector, dataSet, labels, k=0):
     Returns:
     - int: 预测的分类标签。
     """
-     # 计算输入向量与每个训练样本之间的欧氏距离  
+    """
+    使用欧式距离的 kNN 分类算法。
+    """
     distances = [np.linalg.norm(input_vector - x) for x in dataSet]
-      
-    # 获取距离最近的 k 个训练样本的索引  
     k_indices = np.argsort(distances)[:k]
-      
-    # 获取这 k 个训练样本的标签  
     k_nearest_labels = [labels[i] for i in k_indices]
-      
-    # 找到出现次数最多的标签  
     most_common = Counter(k_nearest_labels).most_common(1)
-      
-    # 返回出现次数最多的标签  
     return most_common[0][0]
 
 
@@ -84,38 +78,22 @@ def load_dataset(directory):
     """
     features = []
     labels = []
-  
-    # 遍历文件夹中的所有文件  
     for filename in os.listdir(directory):
-        # 构建文件的完整路径  
         filepath = os.path.join(directory, filename)
 
-        # 检查文件是否为所需类型（例如图像文件）  
+        # 检查文件是否为图片类型（如 png 或 jpg）
-        # 此处应根据实际情况修改文件类型检查逻辑  
+        if filename.endswith(".png") or filename.endswith(".jpg"):
-        if filename.endswith(".png") or filename.endswith(".jpg"):  # 示例：处理图像文件  
+            # 从文件名提取标签
-            # 提取文件名中的标签（假设标签信息包含在文件名中）  
+            label = int(filename.split('_')[0])
-            # 此处应根据实际情况修改标签提取逻辑  
-            # 示例：假设文件名格式为"label_xxx.png"，则提取"label"部分作为标签  
-            label_parts = filename.split("_")  
-            if len(label_parts) > 1:  
-                label = int(label_parts[0])  # 将标签转换为整数类型  
-            else:  
-                # 若文件名不符合预期格式，则跳过该文件或进行错误处理  
-                continue  # 此处选择跳过不符合格式的文件  
 
-            # 加载文件内容并提取特征  
+            # 加载图片并转换为灰度图
-            # 此处应根据实际情况修改特征提取逻辑  
+            image = Image.open(filepath).convert('L')
-            # 示例：若处理图像文件，则使用PIL库加载图像并提取特征（如像素值、纹理特征等）  
-            image = Image.open(filepath)  
-            # 示例：将图像转换为灰度图并展平为一维数组作为特征  
-            # 注意：此特征提取方法非常简单，实际应用中可能需要更复杂的特征提取方法  
-            feature = np.array(image.convert("L")).flatten()  
 
-            # 将特征和标签添加到列表中  
+            # 展平为一维向量并添加到特征列表中
+            feature = np.array(image).flatten()
             features.append(feature)
             labels.append(label)
 
-    # 将特征和标签列表转换为NumPy数组并返回  
     return np.array(features), np.array(labels)
 
 
@@ -131,33 +109,8 @@ def img_to_vector(filename):
     Returns:
     - np.array: 二值图像向量。
     """
-      with Image.open(filename) as img:  
+    image = Image.open(filename).convert('L')
-        # 将图像转换为灰度图（如果是彩色图像的话）  
+    return np.array(image).flatten()
-        # 注意：如果图像已经是灰度图或二值图，这一步可能不是必需的  
-        # 但为了确保兼容性，我们还是加上这一步  
-        gray_img = img.convert('L')  
-          
-        # 将灰度图转换为二值图  
-        # 这里我们假设一个阈值，将灰度值大于该阈值的像素设为255，小于或等于该阈值的像素设为0  
-        # 您可以根据实际情况调整这个阈值，或者使用其他二值化方法  
-        threshold = 128  # 示例阈值  
-        binary_img = gray_img.point(lambda p: p > threshold and 255)  
-          
-        # 或者，如果图像已经是二值图（0和255），则可以直接使用  
-        # binary_img = gray_img  # 仅在图像已经是二值图时使用  
-          
-        # 将二值图转换为NumPy数组，并展平为一维数组  
-        img_array = np.array(binary_img)  
-        img_vector = img_array.flatten()  
-          
-        # 由于二值图像只包含0和255，我们可以选择将255替换为1（可选步骤）  
-        # 这取决于您的应用场景是否需要这种归一化  
-        img_vector = (img_vector / 255).astype(int)  # 将255转换为1，0保持不变  
-          
-        # 注意：上面的归一化步骤将255转换为1，但如果您希望保留原始的0和255值，  
-        # 则可以省略这一步，并直接返回img_vector在展平后的状态。  
-          
-        return img_vector 
 
 
 if __name__ == "__main__":