115 KNN算法应用
代码
import numpy as np
import cv2 as cv
def knn_test(datas, labels):
knn = cv.ml.KNearest_load('knn_knowledge.dat')
ret,result,neighbours,dist = knn.findNearest(datas,k=5)
for i in range(len(result)):
print('knn predict: %d, actual label: %d '%(result[i],labels[i]))
image1 = cv.imread('../images/knn_01.png', 0)
image2 = cv.imread('../images/knn_02.png', 0)
cv.imshow('image1',image1)
cv.imshow('image2',image2)
image1 = cv.resize(image1,(20,20)).reshape(-1,400).astype(np.float32)
image2 = cv.resize(image2,(20,20)).reshape(-1,400).astype(np.float32)
testdata = np.zeros((2,400),dtype= np.float32)
testdata[0] = image1
testdata[1] = image2
testlabels = [1,2]
knn_test(testdata,testlabels)
cv.waitKey(0)
实验结果
解释
OpenCV中机器学习模块的最近邻算法KNN, 对使用KNN训练好的文件,可以通过算法接口的load方法加载成为KNN分类器,使用findNearest方法进行预测。OpenCV KNN预测方法参数解释如下:
retval, results, neighborResponses, dist = cv.ml_KNearest.findNearest(samples, k[, results[, neighborResponses[, dist]]])
sample
是待预测的数据样本K
表示选择最近邻的数目Result
表示预测结果neighborResponses
表示每个样本的前k个邻居dist
表示每个样本前k的邻居的距离
所有内容均来源于贾志刚老师的知识星球——OpenCV研习社,本文为个人整理学习,已获得贾老师授权,有兴趣、有能力的可以加入贾老师的知识星球进行深入学习。