OpenCV KNN 之使用方法

比眉伴天荒 2021-09-29 11:58 303阅读 0赞

http://blog.csdn.net/WL2002200/article/details/43149229

[OpenCV][] 中KNN构造函数如下。

>  
> 
> **\[cpp\]**  [view plain][]   [copy][view plain]
> 
>  
> 
> 1.  C++: CvKNearest::CvKNearest()  
> 2.  C++: CvKNearest::CvKNearest(const Mat& trainData, const Mat& responses, const Mat& sam-  
> 3.  pleIdx=Mat(), bool isRegression=false, int max\_k=32 )  
> 
>

训练函数为：

> **\[cpp\]**  [view plain][]   [copy][view plain]
> 
>  
> 
> 1.  C++: bool CvKNearest::train(  
> 2.      const Mat& trainData, //训练数据  
> 3.      const Mat& responses,//对应的响应值  
> 4.      const Mat& sampleIdx=Mat(),//样本索引  
> 5.      bool isRegression=false,//是否是回归，否则是分类问题  
> 6.      int maxK=32, //最大K值  
> 7.      bool updateBase=false//是否更新数据，是，则maxK需要小于原数据大小 )

查找函数：

>  
> 
> **\[cpp\]**  [view plain][]   [copy][view plain]
> 
>  
> 
> 1.  C++: float CvKNearest::find\_nearest(  
> 2.  const Mat& samples,//按行存储的测试数据  
> 3.   int k, //K 值  
> 4.  Mat\* results=0,//预测结果  
> 5.  const float\*\* neighbors=0, //近邻指针向量  
> 6.  Mat\* neighborResponses=0, //近邻值  
> 7.  Mat\* dist=0 //距离矩阵) const  
> 8.    
> 9.  C++: float CvKNearest::find\_nearest(  
> 10. const Mat& samples,  
> 11. int k,  
> 12. Mat& results,  
> 13. Mat& neighborResponses,  
> 14. Mat& dists) const  
> 
>   
> 
> 
>

还有一些其他辅助函数，无关紧要，略去了。

[opencv][OpenCV] 有KNN 的示例，改写成C++ 版本如下：

**\[html\]**  [view plain][]   [copy][view plain]

1.  1.  \#include <opencv2/core/core.hpp>  
    2.  \#include <opencv2/highgui/highgui.hpp>  
    3.  \#include <opencv2/ml/ml.hpp>  
    4.    
    5.  int main( )  
    6.  \{  
    7.      const int K = 10;  
    8.      int i, j, k, accuracy;  
    9.      float response;  
    10.     int train\_sample\_count = 100;  
    11.     cv::RNG rng\_state(-1);  
    12.     cv::Mat trainData(train\_sample\_count,2,CV\_32FC1);  
    13.     cv::Mat trainClasses(train\_sample\_count,1,CV\_32FC1);  
    14.     cv::Mat img(cv::Size(500,500),CV\_8UC3,cv::Scalar::all (0));  
    15.     float \_sample\[2\];  
    16.     cv::Mat sample(1,2,CV\_32FC1,\_sample);  
    17.   
    18.     cv::Mat trainData1, trainData2, trainClasses1, trainClasses2;  
    19.   
    20.     // form the training samples  
    21.     trainData1 = trainData.rowRange (0,train\_sample\_count/2);  
    22.     rng\_state.fill (trainData1,CV\_RAND\_NORMAL,cv::Scalar(200,200),cv::Scalar(50,50));  
    23.   
    24.     trainData2 = trainData.rowRange (train\_sample\_count/2,train\_sample\_count);  
    25.     rng\_state.fill (trainData2,CV\_RAND\_NORMAL,cv::Scalar(300,300),cv::Scalar(50,50));  
    26.   
    27.     trainClasses1 = trainClasses.rowRange (0,train\_sample\_count/2);  
    28.     trainClasses1.setTo (1);  
    29.   
    30.     trainClasses2 = trainClasses.rowRange (train\_sample\_count/2,train\_sample\_count);  
    31.     trainClasses2.setTo (2);  
    32.   
    33.     // learn classifier  
    34.     CvKNearest knn( trainData, trainClasses, cv::Mat(), false, K );  
    35.     cv::Mat nearests( 1, K, CV\_32FC1);  
    36.   
    37.     for( i = 0; i < img.rows; i++ )  
    38.     \{  
    39.         for( j = 0; j < img.cols; j++ )  
    40.         \{  
    41.             sample.at<float>(0,0) = (float)j;  
    42.             sample.at<float>(0,1) = (float)i;  
    43.   
    44.             // estimate the response and get the neighbors' labels  
    45.             response = knn.find\_nearest(sample,K,0,0,&nearests,0);  
    46.   
    47.             // compute the number of neighbors representing the majority  
    48.             for( k = 0, accuracy = 0; k < K; k++ )  
    49.             \{  
    50.                 if( nearests.at<float>(0,k) == response)  
    51.                     accuracy++;  
    52.             \}  
    53.             // highlight the pixel depending on the accuracy (or confidence)  
    54.             img.at<cv::Vec3b>(i,j) = response == 1 ?  
    55.                         (accuracy > 5 ? cv::Vec3b(0,0,180) : cv::Vec3b(0,120,180)) :  
    56.                         (accuracy > 5 ? cv::Vec3b(0,180,0) : cv::Vec3b(0,120,120));  
    57.         \}  
    58.     \}  
    59.   
    60.     // display the original training samples  
    61.     for( i = 0; i < train\_sample\_count/2; i++ )  
    62.     \{  
    63.         cv::Point pt;  
    64.         pt.x = cvRound(trainData1.at<float>(i,0));  
    65.         pt.y = cvRound(trainData1.at<float>(i,1));  
    66.         cv::circle (img,pt,2,cv::Scalar(0,0,255),1,CV\_FILLED);  
    67.         pt.x = cvRound(trainData2.at<float>(i,0));  
    68.         pt.y = cvRound(trainData2.at<float>(i,1));  
    69.         cv::circle (img,pt,2,cv::Scalar(0,255,0),1,CV\_FILLED);  
    70.     \}  
    71.   
    72.     cv::namedWindow( "classifier result", 1 );  
    73.     cv::imshow( "classifier result", img );  
    74.     cv::waitKey(0);  
    75.   
    76.     return 0;  
    77. \}

转载于:https://www.cnblogs.com/jukan/p/7279521.html

[OpenCV]: http://lib.csdn.net/base/opencv
[view plain]: http://blog.csdn.net/WL2002200/article/details/43149229#