基于最近邻分类器，在HarmonyOS实现图像识别_图像识别的分类器(1)

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新HarmonyOS鸿蒙全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上鸿蒙开发知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip204888 （备注鸿蒙）

正文

获取resourceManager

let context = getContext(this)
const resourceMgr = context.resourceManager

获取rawfile文件夹下p1.png的ArrayBuffer

let Data = await resourceMgr.getRawFileContent(‘test.jpg’)
let buffer = Data.buffer

创建ImageSource实例

const imageSource = image.createImageSource(buffer)

创建PixelMap实例

const pixelMap = await imageSource.createPixelMap();

因为我们需要做图像处理，所以还需要创建一个ArrayBuffer实例（buffer对象），并读取PixelMap实例的数据至buffer中。这样以后，buffer就是一个储存了p1.png图像数据的BGRA_8888格式的数组（也可以称之为向量）了。

let dim = 1001004 //维度
let buffer = new ArrayBuffer(dim)
await pixelMap.readPixelsToBuffer(buffer)
.catch(err => {
console.error(err: +${err})
})

由于buffer是BGRA_8888格式的数组，所以buffer中第i，i+1，i+2,  i+3(i∈[0,dim/4-1])分别代表某个像素点蓝色分量（B），绿色分量(G)，红色分量®和透明度分量(A)。因为本案例的图像识别是在灰度图的基础上进行的，所以我们还需要将BGRA_8888格式的数组转化为灰度值数组。

RGB图转灰度图并不难，只需要将每个像素点的蓝色，绿色和红色分量加权求和，就可以得到每个像素点的灰度值。其中，灰度值 = (红色通道值 * 0.299) + (绿色通道值 * 0.587) + (蓝色通道值 * 0.114)。这里的加权系数是根据人眼对不同颜色敏感度的差异来确定的。

关键代码

XL_Image_NNC.ts

import image from ‘@ohos.multimedia.image’;
import common from ‘@ohos.app.ability.common’;

//所操作图片的尺寸(图片的宽高一致)
const OPERATION_SIZE = 100

/*

• 函数名: Get_NumberType_Array_MinValue_Index
• 描述: 返回输入的number型Array中数值最小的元素所在索引
  */
  function Get_NumberType_Array_MinValue_Index(arr:Array):number{

let location:number = 0

for(var i = 0; i < arr.length; ++i){
if(arr[i]<arr[location]){
location = i
}
}

return location

}

//最近邻分类器能力接口
interface I_Nearest_Neighbor_Classifier{

train(context:common.Context,Train_Data:Array)

identify(test_data:string)

}

/*

• 类名: XL_Image_NNC
• 描述: 基于最近邻分类器的图像识别模块
  */
  class XL_Image_NNC implements I_Nearest_Neighbor_Classifier{

//日志标签
private TAG:string = '------[XL_Image_NNC] ’

//BGRA_8888图对应向量的规模
private dim_rgb:number = 4*(OPERATION_SIZE**2)

//灰度图对应向量的规模
private dim_gray:number = OPERATION_SIZE**2

//RGB图向量转化为灰度图向量时, 三原色(red green blue)通道值各自占灰度值的权重, 并且满足R_Weight + G_Weight + B_Weight = 1
private R_Weight:number = 0.299
private G_Weight:number = 0.587
private B_Weight:number = 0.114

//已加入的图像向量的集合(BGRA_8888)
private Trained_Data_RGB:Array = []

//已加入的图像向量的集合(灰度图)
private Trained_Data_Gray:Array = []

//存储距离(欧式范数)的数组
private Distance_Array:Array = []

//储存资源管理模块的变量
private resourceMgr = null

/*

• 方法名: train
• 描述: 为分类器填充数据, 使得分类器获取监督模式识别的功能
• 参数: context: UIAbility的上下文对象 Train_Data: 待训练的图片集（图片需要提前储存在rawfile目录下）
  */
  public async train(context:common.Context,Train_Data:Array) {

//通过context获取ResourceManager(资源管理模块)
this.resourceMgr = context.resourceManager

//遍历和处理待输入的图片数据
for (var item of Train_Data) {

//通过resourceMgr的getRawFileContent方法(填入图片的文件名字符串),获取rawfile目录下某个图片所资源对应的UintArray
let rawData = await this.resourceMgr.getRawFileContent(item)

//通过先前获取的UintArray创建ImageSource实例
let imageSource = image.createImageSource(rawData.buffer)

//通过ImageSource实例创建像素表
let pixelMap = await imageSource.createPixelMap()

//将像素表读取到新建的ArrayBuffer变量中
let buffer = new ArrayBuffer(this.dim_rgb)
await pixelMap.readPixelsToBuffer(buffer)
.catch(err => {
console.error(this.TAG+err: +${err})
})

//最后将ArrayBuffer携带的RGB型图像向量存入Trained_Data_RGB（向量集合）中
this.Trained_Data_RGB.push(new Uint8Array(buffer))

}

//将获取的RGB型图像向量集合转化为灰度型图像向量集合
for(var element of this.Trained_Data_RGB){

let GrayScaleVector = new Uint8Array(this.dim_gray)
let index:number = 0

//遍历RGB型图像向量的元素
for(var i = 0; i < element.length; i++){
if((i+1)%4 == 0){

//获取像素点的R,G,B通道值, 将他们加权求和得到灰度值
var grayScale = this.R_Weightelement[i-3]+this.G_Weightelement[i-2]+this.B_Weight*element[i-1]

//存储
GrayScaleVector[index++] = grayScale
}
}

//最后将GrayScaleVector携带的灰度型图像向量存入Trained_Data_Gray（向量集合）中
this.Trained_Data_Gray.push(GrayScaleVector)

}

}

/*

• 方法名: identify
• 描述: 基于已获取的数据，完成监督模式识别，返回输入样本的最近邻在Trained_Data_Gray中的索引
• 参数: test_data: 待识别的图片（图片需要储存在rawfile目录下）
  */
  public async identify(test_data:string):Promise{

//排除异常情况
if(this.resourceMgr == null){
console.error(this.TAG+‘Please train the image data before identifying’)
return -1
}

//获取rawfile目录下某个图片所对应的UintArray
let rawData = await this.resourceMgr.getRawFileContent(test_data)

//通过先前获取的UintArray创建ImageSource实例
let imageSource = image.createImageSource(rawData.buffer)

//通过ImageSource实例创建像素表
let pixelMap = await imageSource.createPixelMap()

//将像素表读取到新建的buffer变量中
let buffer = new ArrayBuffer(this.dim_rgb)
await pixelMap.readPixelsToBuffer(buffer)
.catch(err => {
console.error(this.TAG+err: +${err})
})

let Sample_RGB = new Uint8Array(buffer)

let Sample_Gray = new Uint8Array(this.dim_gray)

let index:number = 0

//将RGB型的图像向量转化为灰度型的图像向量
for(var i = 0; i < Sample_RGB.length; i++){
if((i+1)%4 == 0){
var grayScale = this.R_WeightSample_RGB[i-3]+this.G_WeightSample_RGB[i-2]+this.B_Weight*Sample_RGB[i-1]
Sample_Gray[index++] = grayScale
}
}

//赋初值
this.Distance_Array = []

//计算待检测图像向量与每项已训练图片向量在高维空间的的距离（距离采用欧式范数）, 即(Σ(A[i] - B[i]))^0.5, i ∈ [0, dim_gray) ∩ N
for(var item of this.Trained_Data_Gray){

var distance:number = 0

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip204888 （备注鸿蒙）

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

= 0

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip204888 （备注鸿蒙）
[外链图片转存中…(img-jwSWIAK4-1713617318882)]

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！