学习KNN（二）KNN算法手写数字识别的OpenCV实现

一时失言乱红尘 2022-06-08 03:40 259阅读 0赞

[学习KNN（一） 图像分类与KNN原理][KNN_ _KNN]  
[学习KNN（二）KNN算法手写数字识别的OpenCV实现][KNN_KNN_OpenCV]  
[学习KNN（三）KNN+HOG实现手写数字识别][KNN_KNN_HOG]

在OpenCV的安装文件路径/opencv/sources/samples/data/digits.png下，有这样一张图：  
![这里写图片描述][40c22b7c709968e5f32363b41fe5827c.png]  
图片大小为1000*2000,有0-9的10个数字，每5行为一个数字，总共50行，共有5000个手写数字，每个数字块大小为20*20。  
为了后续方便处理，我们先写一段小程序把这5000个图截取出来：

#include <opencv2/opencv.hpp>
    #include <iostream>
    
     using namespace std;
     using namespace cv;
    
     int main()
     {
    	 char ad[128]={0};
         int  filename = 0,filenum=0; 
    	 Mat img = imread("digits.png");
    	 Mat gray;
    	 cvtColor(img, gray, CV_BGR2GRAY);
    	 int b = 20;
    	 int m = gray.rows / b;   //原图为1000*2000
    	 int n = gray.cols / b;   //裁剪为5000个20*20的小图块
    
    	 for (int i = 0; i < m; i++)
    	 {
    		 int offsetRow = i*b;  //行上的偏移量
    		 if(i%5==0&&i!=0)
    		 {
    			 filename++;
    			 filenum=0;
    		 }
    		 for (int j = 0; j < n; j++)
    		 {
    			 	int offsetCol = j*b; //列上的偏移量
    			 sprintf_s(ad, "D:\\data\\%d\\%d.jpg",filename,filenum++);
    			 //截取20*20的小块
    			 Mat tmp;
    			 gray(Range(offsetRow, offsetRow + b), Range(offsetCol, offsetCol + b)).copyTo(tmp);
    			 imwrite(ad,tmp);
    		 }
    	 }
    	 return 0;
     }

截取之后每个以数字命名的文件夹内就都有500张图片了，需要注意的是OpenCV的imwrite是没有自动创建文件夹功能的，所以路径应该提前存在。

OpenCV提供的KNN算法构造函数：

C++: CvKNearest::CvKNearest()  
    C++: CvKNearest::CvKNearest(const Mat& trainData, const Mat& responses, const Mat& sam-  
    pleIdx=Mat(), bool isRegression=false, int max_k=32 )

训练函数为：

C++: bool CvKNearest::train(  
        const Mat& trainData, //训练数据  
        const Mat& responses,//对应的响应值  
        const Mat& sampleIdx=Mat(),//样本索引  
        bool isRegression=false,//是否是回归，否则是分类问题  
        int maxK=32, //最大K值  
        bool updateBase=false//是否更新数据，是，则maxK需要小于原数据大小 )

查找函数为：

C++: float CvKNearest::find_nearest(  
    const Mat& samples,//按行存储的测试数据  
     int k, //K 值  
    Mat* results=0,//预测结果  
    const float** neighbors=0, //近邻指针向量  
    Mat* neighborResponses=0, //近邻值  
    Mat* dist=0 //距离矩阵) const  
      
    C++: float CvKNearest::find_nearest(  
    const Mat& samples,  
    int k,  
    Mat& results,  
    Mat& neighborResponses,  
    Mat& dists) const

但是由于KNN的特点，其实并没有train的功能，所以train只是相当于存储下来训练样本，而且会在执行构造函数中执行训练过程。

在之前，我们已经把5000张图分别放进了10个文件夹里了，现在我们把其中的每个类别中前400张拿出来做训练数据，其余的测试，代码如下：

#include <iostream>
    #include <opencv2/opencv.hpp>
    #include <opencv2/ml/ml.hpp>  
    using namespace std;
    using namespace cv;
    
    char ad[128]={0};
    
    int main()
    {
    	Mat traindata ,trainlabel;
    	int k=5,testnum=0,truenum=0;
    	//读取训练数据 4000张
    	for (int i = 0; i < 10; i++)
    	 {
    		 for (int j =0;j<400;j++)
    		 {
    			  sprintf_s(ad, "D:\\data\\%d\\%d.jpg",i,j);
    			  Mat srcimage = imread(ad);
    			  srcimage = srcimage.reshape(1,1);
    			  traindata.push_back(srcimage);
    			  trainlabel.push_back(i);
    		 }
    	 }
    	   traindata.convertTo(traindata,CV_32F);
    	  CvKNearest knn( traindata, trainlabel, cv::Mat(), false, k );  
    	  cv::Mat nearests( 1, k, CV_32F);  
    	  //读取测试数据  1000张
    	  for (int i = 0; i < 10; i++)
    	  {
    		  for (int j =400;j<500;j++)
    		  {
    			  testnum++;
    			  sprintf_s(ad, "D:\\data\\%d\\%d.jpg",i,j);
    			  Mat testdata = imread(ad);
    			  testdata = testdata.reshape(1,1);
    			  testdata.convertTo(testdata,CV_32F);
    			  int  response = knn.find_nearest(testdata,k,0,0,&nearests,0); 
    			  if (response==i)
    			  {
    				  truenum++;
    			  }
    		  }
    	  }
    	  cout<<"测试总数"<<testnum<<endl;
    	  cout<<"正确分类数"<<truenum<<endl;
    	  cout<<"准确率："<<(float)truenum/testnum*100<<"%"<<endl;
    	  return 0;
    }

在上述代码中，用的特征就是每个位置的像素值，一个样本拉成一维后的列是20*20*3=1200。  
![这里写图片描述][3bb749b047b99e3dfaa66fec45f7871d.png]  
最后是一些个人想法，为什么KNN在手写数字的数据库中表现优异，我觉得主要是因为图像较简单，数字在图像中的位置很规则，都在中间，这两个特点非常利于KNN做距离的计算。

[KNN_ _KNN]: http://blog.csdn.net/chaipp0607/article/details/77915298
[KNN_KNN_OpenCV]: http://blog.csdn.net/chaipp0607/article/details/77966888
[KNN_KNN_HOG]: http://blog.csdn.net/chaipp0607/article/details/78084415
[40c22b7c709968e5f32363b41fe5827c.png]: /images/20220608/c7542cc435f741d088ca01447a226a7e.png
[3bb749b047b99e3dfaa66fec45f7871d.png]: /images/20220608/a6ccb38b542b4ec6a68cab35cce02f7a.png