KNN（K-Nearest Neighbors，K最近邻）算法可以使用任何编程语言或库来实现，包括使用 Python 中的 skimage（Scikit-Image）和 PyTorch。选择使用哪个库通常取决于具体任务的需求、数据类型和个人偏好。
使用 skimage 的原因：
专门用于图像处理：
skimage是 Scikit-Learn 项目的一部分，专注于图像处理任务，提供了大量的图像处理工具和算法，适合用于图像特征提取和图像分析。简单的算法实现：对于 KNN 这类简单直观的算法，
skimage提供了易于使用的接口，可以快速实现和应用。传统图像处理任务：当处理的是传统的图像处理任务，如图像分类、特征匹配等，
skimage提供了丰富的图像特征描述符，可以直接用于 KNN 算法。计算效率：对于较小的数据集或实时性要求不是非常高的应用，
skimage可以提供足够的计算效率。
使用 PyTorch 的原因：
深度学习：
PyTorch是一个强大的深度学习库，适合于构建和训练深度神经网络。如果你的 KNN 算法是与深度学习模型结合使用的，那么PyTorch可能是更好的选择。GPU 加速：
PyTorch可以利用 GPU 进行加速计算，这对于大规模数据集或需要快速预测的应用非常有帮助。灵活性：
PyTorch提供了更多的灵活性，可以自定义 KNN 算法的各个方面，包括距离度量、权重函数等。端到端学习：如果你希望将特征提取和 KNN 分类器端到端地进行训练和优化，
PyTorch提供了这样的能力。
示例代码
使用 skimage 实现 KNN 图像分类：
from skimage import io
from sklearn.neighbors import KNeighborsClassifier
from skimage.feature import histogram_oforiented_gradients
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report
# 加载数据
image = io.imread('path_to_image.jpg')
image_gray = rgb2gray(image)
# 提取 HOG 特征
hog = histogram_oforiented_gradients(image_gray, pixels_per_cell=(16, 16),
cells_per_block=(1, 1), orientations=9,
visualize=True)
hog_image = hog[0, :, :, 0]
# 训练 KNN 分类器
X_train, X_test, y_train, y_test = train_test_split(hog_image.reshape(1, -1), labels, test_size=0.3)
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(X_train, y_train)
predictions = knn.predict(X_test)
# 评估结果
print(classification_report(y_test, predictions))
使用 PyTorch 实现 KNN：
import torch
import torch.nn.functional as F
class KNN(torch.nn.Module):
def __init__(self, X_train, y_train):
super(KNN, self).__init__()
self.X_train = X_train
self.y_train = y_train
def forward(self, x):
# 计算距离
dists = torch.cdist(x, self.X_train)
# 获取最小的 K 个距离的索引
_, idx = dists.topk(3, largest=False)
# 获取对应的标签
nearest_y = self.y_train[idx]
# 返回最常见的标签
mode = torch.mode(nearest_y)[0]
return mode
# 加载数据
X_train_tensor = torch.tensor(hog_image.reshape(1, -1), dtype=torch.float32)
y_train_tensor = torch.tensor(labels, dtype=torch.long)
# 实例化模型
knn_model = KNN(X_train_tensor, y_train_tensor)
# 进行预测
X_test_tensor = torch.tensor(test_data, dtype=torch.float32) # test_data 需要定义
predictions = knn_model(X_test_tensor)
# 输出预测结果
print(predictions)
