(1)、cv::ml::Knearest类:继承自cv::ml::StateModel,而cv::ml::StateModel又继承自cv::Algorithm;
(2)、create函数:为static,new一个KNearestImpl用来创建一个KNearest对象;
(3)、setDefaultK/getDefaultK函数:在预测时,设置/获取的K值;
(4)、setIsClassifier/getIsClassifier函数:设置/获取应用KNN是进行分类还是回归;
(5)、setEmax/getEmax函数:在使用KDTree算法时,设置/获取Emax参数值;
(6)、setAlgorithmType/getAlgorithmType函数:设置/获取KNN算法类型,目前支持两种:brute_force和KDTree;
(7)、findNearest函数:根据输入预测分类/回归结果。
#include<iostream> #include <opencv2\opencv.hpp> using namespace cv; using namespace std; int main() { Mat img = imread("1.png"); Mat gray; cvtColor(img, gray, CV_BGR2GRAY); threshold(gray, gray, 0, 255, CV_THRESH_BINARY); // digits.png为2000 * 1000,其中每个数字的大小为20 * 20, // 总共有5000((2000*1000) / (20*20))个数字,类型为[0~9], // [0~9]10个数字每个数字有5000/10 = 500个样本 // 对其分割成单个20 * 20的图像并序列化成(转化成一个一维的数组) int side = 20; int m = gray.rows / side; int n = gray.cols / side; Mat data, labels; for (int i = 0; i < m; i++) { int offsetRow = i * side; for (int j = 0; j < n; j++) { int offsetCol = j * side; // 截取20*20的小块 Mat tmp; gray(Range(offsetRow, offsetRow + side), Range(offsetCol, offsetCol + side)).copyTo(tmp); data.push_back(tmp.reshape(0, 1)); // 序列化转换成一个一维向量 labels.push_back(i / 5); // 每500个为一个label类型 } } data.convertTo(data, CV_32F); cout << "读取结束..." << endl; //****************** 使用KNN算法训练********************// int K = 7; // 改变K值可能会出现不同的效果,K值越大,识别速度越慢 //为static,new一个ModelKnn用来创建一个KNearest对象; Ptr<ml::KNearest> ModelKnn = ml::KNearest::create(); ModelKnn->setDefaultK(K); ModelKnn->setIsClassifier(true); //ModelKnn->train(data, cv::ml::ROW_SAMPLE, labels); Ptr<ml::TrainData> tData = ml::TrainData::create(data, ml::ROW_SAMPLE, labels); ModelKnn->train(tData); ModelKnn->save("KnnTest.xml"); ///********************测试模型***************************/// Mat test = imread(".\\test\\3.jpg", 0);//截取图像中一个数字 Mat bw; threshold(test, bw, 0, 255, CV_THRESH_BINARY); Mat I0 = bw.reshape(0, 1); I0.convertTo(I0, CV_32F); // 开始用KNN预测分类,返回识别结果 float r = ModelKnn->predict(I0); }