【中小学人工智能教育】案例4 基于传统方法的数字识别：用Kittenblock实现汉明距离计算

基于传统方法的手写体数字识别

在人工智能领域，卷积神经网络（CNN）等机器学习方法能以接近人类的准确率识别复杂的手写数字（如MNIST数据集99%+准确率），其强大之处在于自动学习特征、适应书写变体，甚至处理模糊扭曲的笔迹。

然而，正是机器学习的“黑箱”特性凸显了传统方法的价值——汉明距离计算作为经典的模板匹配算法，为初学者搭建了理解AI本质的透明桥梁。

传统方法将图像简化为二进制网格（如8x8像素），通过人工定义“0”和“1”的标准模板，逐位对比待识别图像与模板的差异数量（汉明距离），最终依据“距离最小原则”分类。

这种方法虽在复杂场景中表现局限（如无法处理倾斜或变形数字），却以“可拆解、可手算”的优势成为教学的优质案例：学生能亲手绘制网格、设计模板、统计差异，直观体验“特征提取-模式匹配-决策输出”的完整逻辑链。

反观深度学习，其自动提取数万维特征的过程难以被人类直观追踪，学生易陷入“输入即得结果”的认知迷雾。因此，学习汉明距离不仅是掌握一种算法，更是培养“解构智能”的思维范式——理解高级AI如何从基础规则演化而来，在敬畏技术力量的同时保有批判性思考：当模型误判时，我们能否像检查网格差异一样追溯根源？当数据匮乏时，能否如设计模板般人工注入先验知识？这种能力恰是未来人机协作的核心素养。

在浏览器中打开Kittenblock在线版：kblock.kittenbot.cn。上传“画板小方块”的角色，或者直接绘制。

完成后对小方块角色编程，将角色设置为不可拖动，避免后续运行时，产生误拖拽。随后，隐藏该角色，并移动到初始位置。

画板一共是10*10像素，也就是需要10行，每一行分别有10个小方块。先形成第一行的10个小方块，然后同样的方法形成剩余9行。

在程序中，内层循环控制横向像素的形成，重复10次，每次都先形成一个克隆体，然后移动特定的步数（根据实际展示效果，这里设定为22）.

外层循环负责控制行数的增加，开始前将小方块移动到最左边，并且按特定步数下移行的位置，完成10次内循环。

将积木按顺序组合后运行，即可得到如下效果：

当每个克隆体启动后，同样设置为不可拖动，并且显示出来。不断进行判断，如果碰到“鼠标按下”且“接触到了该克隆体”，那么将该克隆体的亮度设置为-100，相当于使该克隆体变黑，实现类似“落笔”的效果。

完成编写后，我们先点击舞台右上方的放大运行，注意一定是要在舞台占据整个界面的情况下运行程序，否则舞台仍处于调试模式，所有角色都可以拖动，随后点击绿旗运行。

试着在画板上绘制0-9，绘制方法很简单，控制鼠标移动到画板上，随后按住鼠标左键并拖动鼠标。这样一来，我们就拥有了一个二值化的手写体图像。

在运行中我们不难发现，每次绘制后都要重新运行，这样的效率实在太低。因此，再加入简单两个指令，制作出擦除画板的效果。

增加汉明距离的计算前，需要新建变量与列表。

变量如下：

列：记录被点击像素的横向位置；

行：记录被点击像素的纵向位置；

id：记录被点击像素属于第几个像素；

与0差异度：计算和标准0的差异；

与1差异度：计算和标准1的差异。

列表如下：

模板0：记录标准0的字符数据；

模板1：记录标准1的字符数据；

当前列表数据：记录手写体的字符数据。

由于在图形化的编程中，无法像代码编程一样，直接对数组进行运算，所以需要使用字符串和列表进行数据的存储与运算。

在程序开始前，手动将标准模板1和0的数据存储到列表中。录入的方法有很多，为了节省时间，这里直接提供对应的字符串。使用“,”对字符串进行分割，随后将01数据挨个挨项的存入列表中：

模板0：

0,0,0,0,0,0,0,0,0,0,0,0,0,1,1,1,1,0,0,0,0,0,1,0,0,0,0,1,0,0,0,0,1,0,0,0,0,1,0,0,0,0,1,0,0,0,0,1,0,0,0,0,1,0,0,0,0,1,0,0,0,0,0,1,1,1,1,0,0,0,0,0,0,0,0,0,0,0,0,0

模板1：

0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0

字符数据也很好理解，画板一共100个格子，灰色格子为0，黑色格子为1，从左至右从上至下进行排列即可得到。

完成模板的数据录入后，将上节的画板制作部分打包成子程序，放在主程序后面。需要注意的是，本次操作还需要在克隆中增加一个指令，即“将0加入当前列表”。这样一来，当画板完成绘制后，记录手写数据的列表所有的数据都为0，后面触发手写效果后，设置成1即可完成手写记录。

在克隆体的程序中，当被按下的鼠标碰到后，会由灰变黑。我们不仅要让这个像素变黑，同时还要精准地记录这个像素的编号，并且修改对应的列表数值。

当按下的鼠标触发方块时，通过映射的积木，将鼠标的y坐标映射为0-9，这样有助于我们直观地判断鼠标位于第几行。

当鼠标在画板上时，y坐标的范围是（147，-90），x坐标的范围是（-239，-3），该数据可通过测试或计算获取。

由于映射完的数据存在小数，例如0.7、1.5等，这不利于我们做出行列的位置判断。因此这里采用了向上取整的办法进行处理，只要该数据大其本身的整数部分，那么将该数据设为比他大一位的整数。例如：1.1大于1，因此设为2。

通过这样的方式，鼠标横纵坐标均转化为1-10的整数，这样就可以判断点亮的像素在第几行和第几列了。

接下来，就是将行列的数据转换为列表的项数，由1开始，从左至右从上至下地把像素进行编号。通过观察可以发现：列数和个位数是保持的一致的，而十位的数字，正好比行数少1。

例如，第二行的第一个像素，是第1行第1列，对应的编号是11。因此我们可以通过一个公式计算编号：

编号=（（行-1）×10）+列。

计算完成后，将用于记录手写体数据的列表“当前列表数据”的对应项数替换成1。这样就完成了对手写体像素的记录。

完成后，如果我们想重新输入，可通过空格进行刷新。需要注意的是，除了画板要刷新，列表的数据同样要进行刷新，将“当前列表数据”的所有项都设置为0。

上面就是小方块的所有程序，接下来开始对小喵角色进行编程，该部分程序是汉明距离计算的精髓。

当我们对手写体和模板挨个像素进行比对，一共需要比对100次。首先我们将与0差异度和、与1差异度设为0，代表没有差异。同时将x设为1，变量x主要用于控制比对次数。

随后重复100次，每次都和模板1和模板0的像素进行比对，如果对应像素不一样，则将对应的差异度增加1。完成后将该部分打包成一个子程序。

完成后回到小喵的主程序，运行后不断地进行差异计算，这里用最简单的方式进行判断。一旦输入数据，则开始判断并说出结果，与1的差异较大，则判断为数字0，反之同理。

完成上述的程序编写后，便可以开始运行程序，小喵会随时进行输入数值的判断。

在体验时，尝试变化不同的写法，对比其识别成功率。试着简单概括一些成功率高的书写技巧，思考并讨论为什么会有这样的现象？