knn图像分类

K近邻算法(K-NN)，即给定一个已训练的数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例，这K个实例的多数属于某个类，则判定该输入实例同属此类。

1. OpenCV K近邻模块的使用

接下来通过一个例子，观察K近邻算法在OpenCV中的使用方法：

In [ ]:

%matplotlib inline

import cv2

import numpy as np

import matplotlib.pyplot as plt

通过随机数，创建训练数据集：

In [ ]:

rand1 = np.random.randint(0, 80, (20, 2)).astype(np.float32)

rand2 = np.random.randint(40, 100, (20, 2)).astype(np.float32)

train_data = np.vstack((rand1, rand2))

创建训练集结果：

In [ ]:

r1_label = np.zeros((20, 1)).astype(np.float32)

r2_label = np.ones((20, 1)).astype(np.float32)

td_label = np.vstack((r1_label, r2_label))

绘制训练集数据集和测试数据集：

In [ ]:

g = train_data[td_label.ravel() == 0]

b = train_data[td_label.ravel() == 1]

​

plt.scatter(g[:, 0], g[:, 1], 80, "g", "o")

plt.scatter(b[:, 0], b[:, 1], 80, "b", "s")

​

test = np.random.randint(0, 100, (1, 2)).astype(np.float32)

plt.scatter(test[:, 0], test[:, 1], 80, "r", "*")

plt.show()

训练K近邻算法：

In [ ]:

knn = cv2.ml.KNearest_create()

knn.train(train_data, cv2.ml.ROW_SAMPLE, td_label)

预测测试数据结果并打印结果：

In [ ]:

ret, results, neighbours, dist = knn.findNearest(test, 5)

​

print("当前随机可以判断的类型:", results[0][0])

print("距离最近的5个邻居是:", neighbours)

print("5个邻居的距离是:", dist)

2. K近邻图像匹配

KNN可以用做相似图像匹配算法来识别两个图像之间相似的内容。

本例中使用的例图如下：

图1

图2

代码实现如下：

In [ ]:

%matplotlib inline

import cv2

import matplotlib.pyplot as plt

按照灰度图像读入两张图片：

In [ ]:

img1 = cv2.imread("./emoji.jpg", cv2.IMREAD_GRAYSCALE)

img2 = cv2.imread("./emoji2.jpg", cv2.IMREAD_GRAYSCALE)

检测关键点和特征描述：

• keypoint 是关键点的列表
• desc 检测到的特征的局部图的列表

In [ ]:

# 获取特征提取器对象

orb = cv2.ORB_create()

​

keypoint1, desc1 = orb.detectAndCompute(img1, None)

keypoint2, desc2 = orb.detectAndCompute(img2, None)

获得knn检测器：

• knn匹配可以返回k个最佳的匹配项
• bf返回所有的匹配项

In [ ]:

bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)

matches = bf.knnMatch(desc1, desc2, k=1)

绘制匹配结果：

In [ ]:

img3 = cv2.drawMatchesKnn(img1, keypoint1, img2, keypoint2, matches, img2, flags=2)

plt.imshow(img3)

plt.show()