day38:opencv与传统机器学习

最新推荐文章于 2023-07-27 00:32:18 发布
最新推荐文章于 2023-07-27 00:32:18 发布
阅读量2k 收藏
点赞数
分类专栏： Opencv自学笔记 文章标签： 机器学习 opencv 聚类
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_57747965/article/details/121961553
版权

1、K均值

K均值是最简单的聚类方法之一，是一种无监督学习。K均值聚类的原理是通过指定种类数目对数据进行聚类，例如根据颜色将围棋棋盘上的棋子分成两类.

K 均值聚类算法主要分为以下4个步骤。

第一步：指定将数据聚类成看K 类，并随机生成K 个中心点;
第二步:  遍历所有数据，根据数据与中心的位置关系将每个数据归类到不同的中心;
第三步: 计算每个聚类的平均值，并将均值作为新的中心点;
第四步: 重复第二步和第三步，直到每个聚类中心点的坐标收敛 ，输出聚类结果。 
void visionagin:: MyKmeanpoints()
{
	//颜色表
	vector<Scalar>color_lut;
	color_lut.push_back(Scalar(0, 0, 255));
	color_lut.push_back(Scalar(0, 255,0));
	color_lut.push_back(Scalar(255,0,0));
	RNG rng(10086);
	Mat img(Size(500, 500), CV_8UC3,Scalar::all(255));//500*500白色画布
	int k_num = 3;
	int pt1_num = rng.uniform(20, 60);
	int pt2_num = rng.uniform(20, 60);
	int pt3_num = rng.uniform(20, 60);
	int pointsnum = pt1_num + pt2_num + pt3_num;
	Mat points(pointsnum, 1, CV_32FC2);
	//生成pointsnum个随机点
	int i = 0;
	for (; i < pt1_num; ++i)
	{
		Point2f p;
		p.x = rng.uniform(0, 100);
		p.y = rng.uniform(100, 200);
		points.at<Point2f>(i, 0) = p;
	}
	for (; i < pt1_num+pt2_num; ++i)
	{
		Point2f p;
		p.x = rng.uniform(0, 100);
		p.y = rng.uniform(400, 500);
		points.at<Point2f>(i, 0) = p;
	}
	for (; i < pt1_num+pt2_num+pt3_num; ++i)
	{
		Point2f p;
		p.x = rng.uniform(300, 400);
		p.y = rng.uniform(300, 400);
		points.at<Point2f>(i, 0) = p;
	}
	Mat labels;
	TermCriteria T = TermCriteria(TermCriteria::COUNT | TermCriteria::EPS, 10, 0.1);
	Mat centers;
	//kmean分类
	kmeans(points, k_num, labels, T, 3, KMEANS_PP_CENTERS,centers);
	//绘制随机点
	for (int j = 0; j <labels.rows; ++j)
	{
		int index = labels.at<int>(j, 0);
		Point2f temp = points.at<Point2f>(j, 0);
		circle(img, temp, 2, color_lut[index], -1);

	}
	//以各类中心点为圆心画圆
	for (int m = 0; m <centers.rows; ++m)
	{
		Point ce;
		ce.x= centers.at<float>(m, 0);
		ce.y = centers.at<float>(m, 1);

		circle(img, ce, 50, Scalar(0,200,0), 1);
	}
	imshow("result", img);
}

根据k 均值聚类可以实现基于像素值的 图像分割。 与坐标点聚类 相似， 图像分割时的聚类数 据是每个像素的像素值.
在下列程序中， 首先将每个像素的像素值整理成符合Kmeans() 函数处理的 行数据形式 之后根据需求 选择聚类种类数目.在聚类完成后，将不同类中的像素表示成不同的颜色， 最后在图像窗口中显示.
在该程序中 分别将原图像分割成3 类和5类， 通过结果可以看出， 在利用k 均值进行图像分割时，合适的聚类种类数目是一 项重要的数据参数. 
void visionagin:: MyKmeanimg()
{
	Mat img = imread("C:\\Users\\86176\\Downloads\\visionimage\\women.jfif");
	if (!img.data)
	{
		cout << "read failed!" << endl;
	}
	//将图像转化成符合Kmeans输入的数据格式
	int pointscount = img.rows * img.cols;
	Mat imgchanged=img.reshape(3, pointscount);
	Mat data;
	imgchanged.convertTo(data, CV_32F);
	//进行kmeans分类
	Mat	labels;
	int k_num = 3;
	TermCriteria T = TermCriteria(TermCriteria::COUNT | TermCriteria::EPS, 10, 0.1);
	kmeans(data, k_num, labels, T, 3, KMEANS_PP_CENTERS);
	//着色分类结果
	vector<Vec3b> color_lut;
	color_lut.push_back(Vec3b(0, 0, 255));
	color_lut.push_back(Vec3b( 0, 255,0));
	color_lut.push_back(Vec3b(255,0,0));
	color_lut.push_back(Vec3b(255, 2555, 0));
	Mat result = Mat::zeros(img.size(), img.type());
	for (int i = 0; i < img.rows; ++i)
	{
		for (int j = 0; j < img.cols; ++j)
		{
			int index = labels.at<int>(i * img.cols + j,0);
			result.at<Vec3b>(i, j) =color_lut[index];
		}
	}
	imshow("result", result);
}

 2.k近邻

 

 

 

 数据进行训练并保存：

void visionagin:: Myknearesttrain()
{
	Mat img = imread("C:\\Users\\86176\\Downloads\\visionimage\\digits.png");//该图片50行，每5行一个数字
	Mat gray;
	cvtColor(img, gray, COLOR_BGR2GRAY);
	//将图像分割成5000行 20*20
	Mat image = Mat::zeros(5000, 400, CV_8UC1);
	Mat labels = Mat::zeros(5000, 1, CV_8UC1);
	//Rect 为将每个单幅图数据拷贝给image的位置
	Rect singleimg;
	singleimg.x = 0;
	singleimg.height = 1;
	singleimg.width = 400;
	int index = 0;//第几个单幅图像的数据
	for (int i = 0; i < 50; i++)
	{
		int label = i / 5;
		int datay = i * 20;
		for (int j = 0; j < 100; j++)
		{
			int datax = j * 20;
			Mat singlenum = Mat::zeros(20, 20, CV_8UC1);
			//单个图片20*20 像素
			for (int m = 0; m < 20; m++)
			{
				for (int n = 0; n < 20; n++)
				{
					singlenum.at<uchar>(m, n) = gray.at<uchar>(datay + m, datax + n);
				}
			}
			//将单个图片转化为行数据
			Mat rowdata = singlenum.reshape(1, 1);//1*400
			singleimg.y = index;
			cout << "提取第" << index +1<< "个数据" << endl;
			//将每一幅图的数据 放到image
			rowdata.copyTo(image(singleimg));
			//记录每副图像的label;
			labels.at<uchar>(index,0) = label;
			index++;
		}
	}
	imwrite("C:\\Users\\86176\\Downloads\\visionimage\\5000幅数字按行排列结果.png", image);
	imwrite("C:\\Users\\86176\\Downloads\\visionimage\\5000幅数字图像标签.png", labels);


	//加载训练模型,转换数据类型
	image.convertTo(image, CV_32F);
	labels.convertTo(labels, CV_32F);
	//构造训练类
	Ptr<cv::ml::TrainData> tdata = cv::ml::TrainData::create(image, ml::ROW_SAMPLE, labels);
	//进行训练
	// 
	//创建K近邻类
	Ptr<ml::KNearest> knn = ml::KNearest::create();
	knn->setDefaultK(5);//每个类别拿出5个数据
	knn->setIsClassifier(true);//进行分类
	//开始训练
	knn->train(tdata);
	//保存训练结果
	knn->save("C:\\Users\\86176\\Downloads\\visionimage\\digits_train_model.yml");
	cout << "已完成训练！" << endl;

}

加载数据

void visionagin:: Myknearesttest()
{
	Mat data = imread("C:\\Users\\86176\\Downloads\\visionimage\\5000幅数字按行排列结果.png",IMREAD_ANYDEPTH);
	Mat labels = imread("C:\\Users\\86176\\Downloads\\visionimage\\5000幅数字图像标签.png",IMREAD_ANYDEPTH);
	data.convertTo(data, CV_32F);
	labels.convertTo(labels, CV_32S);
	//加载模型
	Ptr<ml::KNearest> knn = Algorithm::load<ml::KNearest>("C:\\Users\\86176\\Downloads\\visionimage\\digits_train_model.yml");
	//预测
	Mat result;
	knn->findNearest(data, 5, result);
	//统计预测结果与实际情况相同的数目
	int count = 0;
	for (int i = 0; i < result.rows; ++i)
	{
		int predict = result.at<float>(i, 0);
		if (predict == labels.at<int>(i, 0))
		{
			count++;
		}
	}
	float d = static_cast<float>(count )/ result.rows;
	cout << "count is :" << count << endl;
	cout << "正确性：" << d << endl;
	//实例进行预测
	Mat testimg1 = imread("C:\\Users\\86176\\Downloads\\visionimage\\handWrite01.png", IMREAD_ANYDEPTH);
	Mat testimg2 = imread("C:\\Users\\86176\\Downloads\\visionimage\\handWrite02.png",IMREAD_ANYDEPTH);
	imshow("testimg1", testimg1);
	imshow("testimg2", testimg2);
	//建立一个存放test数据的矩阵
	Mat testdata = Mat::zeros(2, 400, CV_8UC1);
	resize(testimg1,testimg1,Size(20,20));
	resize(testimg2,testimg2,Size(20, 20));
	Rect roi;
	roi.x = 0;
	roi.height = 1;
	roi.width = 400;
	roi.y = 0;
	Mat onedata=testimg1.reshape(1, 1);
	Mat twodata=testimg2.reshape(1, 1);
	onedata.copyTo(testdata(roi));
	roi.y = 1;
	twodata.copyTo(testdata(roi));
	testdata.convertTo(testdata, CV_32F);
	
	Mat result2;
	knn->findNearest(testdata, 5, result2);
	cout << "handWrite01预测结果：" << result2.at<float>(0,0) << endl;
	cout << "handWrite02预测结果：" << result2.at<float>(1, 0) << endl;
}

 3.决策树：

void visionagin:: MyDtrees()
{
	Mat data = imread("C:\\Users\\86176\\Downloads\\visionimage\\5000幅数字按行排列结果.png", IMREAD_ANYDEPTH);
	Mat labels = imread("C:\\Users\\86176\\Downloads\\visionimage\\5000幅数字图像标签.png", IMREAD_ANYDEPTH);
	data.convertTo(data, CV_32F);
	labels.convertTo(labels, CV_32S);
	//构建决策树
	Ptr<ml::DTrees> DTmodel = ml::DTrees::create();
	DTmodel->setMaxDepth(8);
	DTmodel->setCVFolds(0);
	//构建训练数据集
	Ptr<ml::TrainData> dtraindata = ml::TrainData::create(data, ml::ROW_SAMPLE, labels);
	//开始训练
	DTmodel->train(dtraindata);
	//保存训练模型
	DTmodel->save("C:\\Users\\86176\\Downloads\\visionimage\\决策树训练模型.yml");
	//测试模型精度
	Mat result;
	DTmodel->predict(data, result);//进行预测
	int count = 0;
	for (int i = 0; i < result.rows; ++i)
	{
		int predict = result.at<float>(i, 0);
		if (predict == labels.at<int>(i, 0))
		{
			count++;
		}
	}
	float rate = 0;
	rate = static_cast<float>(count) / result.rows;
	cout << "决策树模型的精度：" << rate << endl;

	//实例测试模型
	Mat testimg1 = imread("C:\\Users\\86176\\Downloads\\visionimage\\handWrite01.png", IMREAD_ANYDEPTH);
	Mat testimg2 = imread("C:\\Users\\86176\\Downloads\\visionimage\\handWrite02.png", IMREAD_ANYDEPTH);
	imshow("handWrite01", testimg1);
	imshow("handWrite02", testimg2);
	//缩小尺寸
	resize(testimg1, testimg1, Size(20, 20));
	resize(testimg2, testimg2, Size(20, 20));
	//构建输入矩阵
	Mat testdata = Mat::zeros(2, 400, CV_8UC1);
	Rect roi;
	roi.x = 0;
	roi.y = 0;
	roi.height = 1;
	roi.width = 400;
	Mat onedata = testimg1.reshape(1, 1);
	Mat twodata = testimg2.reshape(1, 1);
	onedata.copyTo(testdata(roi));
	roi.y = 1;
	twodata.copyTo(testdata(roi));
	testdata.convertTo(testdata,CV_32FC1);
	//预测
	Mat result2;
	DTmodel->predict(testdata, result2);
	cout << "handWrite01的预测结果是：" << result2.at<float>(0, 0) << endl;
	cout << "handWrite02的预测结果是：" << result2.at<float>(1, 0) << endl;
}

 4.随机森林

void visionagin:: MyRtrees()
{
	Mat data = imread("C:\\Users\\86176\\Downloads\\visionimage\\5000幅数字按行排列结果.png", IMREAD_ANYDEPTH);
	Mat labels = imread("C:\\Users\\86176\\Downloads\\visionimage\\5000幅数字图像标签.png", IMREAD_ANYDEPTH);
	data.convertTo(data, CV_32FC1);
	labels.convertTo(labels, CV_32SC1);
	Ptr<ml::RTrees> rtreemodel = ml::RTrees::create();
	rtreemodel->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER + TermCriteria::EPS, 100, 0.1));
	//构建训练集
	Ptr<ml::TrainData> traindata = ml::TrainData::create(data, ml::ROW_SAMPLE, labels);
	rtreemodel->train(traindata);
	//训练模型保存
	rtreemodel->save("C:\\Users\\86176\\Downloads\\visionimage\\随机数树训练模型.yml");
	Mat result;
	rtreemodel->predict(data, result);
	//计算精度
	int count=0;
	for (int i = 0; i < result.rows; i++)
	{
		int predict = result.at<float>(i, 0);
		if (predict == labels.at<int>(i, 0))
		{
			count++;
		}
	}
	double rate = 0;
	rate = static_cast<float>(count) / result.rows;
	cout << "rtrees的精度：" << rate << endl;
	//实例测试随机数模型
	Mat testimg1 = imread("C:\\Users\\86176\\Downloads\\visionimage\\handWrite01.png", IMREAD_ANYDEPTH);
	Mat testimg2 = imread("C:\\Users\\86176\\Downloads\\visionimage\\handWrite02.png", IMREAD_ANYDEPTH);
	imshow("handWrite01", testimg1);
	imshow("handWrite02", testimg2);
	//变换尺寸
	resize(testimg1, testimg1, Size(20, 20));
	resize(testimg2, testimg2, Size(20, 20));
	//建立输入矩阵
	Mat testdata = Mat::zeros(2, 400, CV_8UC1);
	Mat onedata = testimg1.reshape(1, 1);
	Mat twodata = testimg2.reshape(1, 1);
	Rect roi;
	roi.x = 0;
	roi.y = 0;
	roi.height = 1;
	roi.width = 400;
	onedata.copyTo(testdata(roi));
	roi.y = 1;
	twodata.copyTo(testdata(roi));
	testdata.convertTo(testdata, CV_32F);
	//预测
	Mat result2;
	rtreemodel->predict(testdata, result2);
	cout << "handWrite01的预测结果：" << result2.at<float>(0, 0) << endl;
	cout << "handWrite02的预测结果：" << result2.at<float>(1, 0) << endl;
}

5.支持向量机

 

 

void visionagin:: MySVM()
{
	FileStorage fread("C:\\Users\\86176\\Downloads\\visionimage\\point.yml", FileStorage::READ);
	Mat data,labels;
	fread["data"] >> data;
	fread["labls"] >> labels;
	fread.release();
	vector<Vec3b>color;
	color.push_back(Vec3b(0, 0, 255));
	color.push_back(Vec3b(0, 255, 0));
	Mat img = Mat(Size(600, 600), CV_8UC3, Scalar::all(255));
	Mat img2;
	img.copyTo(img2);
	for (int i = 0; i < labels.rows; ++i)
	{
		Point2f p;
		p.x = data.at<float>(i, 0);
		p.y = data.at<float>(i, 1);
		circle(img, p, 3, color[labels.at<int>(i, 0)], -1);
		circle(img2, p, 3, color[labels.at<int>(i, 0)], -1);
	}
	imshow("原数据", img);
	//data.convertTo(data, CV_32FC1);
	//labels.convertTo(labels, CV_32SC1);
	//构建svm模型
	Ptr<ml::SVM> svmmodel = ml::SVM::create();
	svmmodel->setKernel(ml::SVM::INTER);
	svmmodel->setType(ml::SVM::C_SVC);
	svmmodel->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER + TermCriteria::EPS, 100, 0.01));
	//构建输入的数据
	Ptr<ml::TrainData> traindata = ml::TrainData::create(data, ml::ROW_SAMPLE, labels);
	//训练
	svmmodel->train(traindata);
	//对每个点进行预测
	Mat temp = Mat::zeros(1, 2, CV_32FC1);
	for (int i = 0; i < img.rows; i+=2)
	{
		for (int j = 0; j < img.cols; j+=2)
		{
			temp.at<float>(0) = (float)j;//x
			temp.at<float>(1) = (float)i;//y
			int result;//单个数据结果
			result=svmmodel->predict(temp);
			img2.at<Vec3b>(i,j) = color[result];
		}
	}
	imshow("result", img2);
}

 

Callmegodyu、
关注
专栏目录
OpenCV-Python实战（13）——OpenCV与机器学习的碰撞
盼小辉丶的博客
10-24 1万+
机器学习是人工智能的子集，它为计算机以及其它具有计算能力的系统提供自动预测或决策的能力，诸如虚拟助理、车牌识别系统、智能推荐系统等机器学习应用程序给我们的日常生活带来了便捷的体验。机器学习的蓬勃发展，得益于以下三个关键因素：1) 海量数据集；2) 算法的快速发展；3) 计算机硬件的发展。在本文中，我们将学习 OpenCV 提供的常见机器学习算法和技术，用于解决计算机视觉项目中的实际问题，例如分类和回归问题。
OpenCV学习（2）
m0_53123717的博客
01-06 1165
上手opencv图像处理：图像显示；图像腐蚀；图像模糊；canny边缘检测 一，图像显示 新版本opncv中，图像显示过程非常简单，只需要用imread函数载入到新版本的图像存储数据结构mat类中，然后用imshow函数显示即可，代码如下： #include<opencv2/opencv.hpp> #include <opencv2/core/utils/logger.hpp> #include<iostream> using namespace std; usi
基于opencv的机器学习与结果预测
10-31
本例基于opencv，实现了决策树。随机森林 boost 并分别将训练得到的分离器用于预测
opencv机器学习（2020.4.9）
qq_44906799的博客
04-09 583
opencv机器学习 1.训练集与测试集 2. 监督数据与无监督数据 3.生成模型和判别模型 4.机器学习算法 Mahalanobis 通过除以协方差来对数据空间进行变换，然后再计算距离 K均值 非监督的聚类方法 正态/朴素贝叶斯分类器 通用分类器 决策树 一个判别分类器 Boosting 多个判别子分类器的组合 随机森林 人脸检测/Haar分类器 期望最大化（EM） 一种用于聚类...
OpenCV 4.0+Python机器学习与计算机视觉实战
最新发布
努力是为了站在万人之中，成为别人的光
07-27 6126
OpenCV是一款广泛应用于计算机视觉和图像处理领域的开源库。本文将引导读者通过Python使用OpenCV 4.0以上版本，实现一系列机器学习与计算机视觉的应用，包括图像处理、特征提取、目标检测、机器学习等内容。最终，我们将通过一个实战项目构建一个简单的人脸识别系统。通过本文的学习，我们掌握了使用OpenCV 4.0及Python进行机器学习与计算机视觉的基础知识。我们学习了图像处理基础、图像特征提取与描述、目标检测与识别、图像分类与机器学习，并最终完成了一个实战项目：人脸识别系统。
OPenCV中的机器学习
qq_59931372的博客
03-27 2251
在刚经历了AI的大变革，ChatGpt的一夜爆火，让很多人的思想一下被刷新，很多人在见识了gpt的功能后不免的担心，未来人工智能是否会取代人类。对于这个问题，我的见解是人工智能的最根本就是人，作为一种辅助工具，他只是减轻我们的工作负担，让我们能够把精力投入到更重要的事中，简单点，就是推动人类社会的发展。但是人工智能的高速发展，也在警告我们，如果我们不去尝试创新，不去思考，或许部分岗位会被人工智能替代。很多人会面临失业，无岗就业。这也是人工智能发展会带来的必然后果。
opencv中的机器学习简单使用
纯洁可爱小昊昊的博客
03-03 8996
OpenCV的ml模块实现了很多算法，包括朴素贝叶斯、K近邻、SVM、决策树、Boosting、GBT、随机森林、神经网络等。其大多继承自同一基类，训练和预测的接口都是train(),predict()，使用较为方便。 神经网络： opencv实现人工神经网络（Artificial Neural Networks）最典型的多层感知器（multi-layer perceptrons, M
颜色分类leetcode-day-night-classifier:使用OpenCV通过图像处理对昼夜图像进行分类
07-06
和零机器学习通过图像处理实现的昼夜图像分类。 先决条件 该项目是使用 python 3.6.7 和以下包开发的。 不需要 GPU。 numpy==1.16.4 熊猫==0.24.2 seaborn==0.9.0 matplotlib==3.0.3 opencv-python jupyterlab 使用...
深度学习之opencv框架的学习使用
04-28
OpenCV还包含了各种机器学习和深度学习的接口，比如支持Haar级联分类器进行人脸识别，或者使用DNN模块加载预训练的深度学习模型进行对象检测。例如，我们可以使用预训练的SSD模型进行实时物体检测： ```python # ...
基于OpenCV的装甲板识别
05-19
OpenCV（Open Source Computer Vision Library）是一个跨平台的计算机视觉库，包含了大量的预编译的图像处理和机器学习算法。它广泛应用于图像分析、视频处理和实时计算机视觉应用中。在装甲板识别的过程中，OpenCV...
opencv分类器训练
07-17
opencv分类训练器,按照配置生成xml文件.用于open人脸识别,有疑问的同学可以下面留言,看到会解答
利用openCV进行人脸训练
08-15
该材料包含人脸数据库中的人脸与非人脸，利用openCV训练人脸的过程，通过调用openCV提供的工具进行人脸训练，可直接运行生成pos.vec与xml文件。
opencv小项目练习，一共九个
04-10
包含九个项目，1.适用于Android的Cartoonifier和换肤器。2.iPhone或iPad上基于标记的增强现实技术。3.无标记增强现实。4.使用OpenCV从Motion探索结构。5.基于SVM和神经网络的车牌识别。6.非刚性人脸跟踪。7.使用AAM和POSIT进行3D头部姿态估计。8.使用特征脸或Fisherfaces进行人脸识别。9.使用Microsoft Kinect开发Fluid Wall。 Chapter1_AndroidCartoonifier Chapter2_iPhoneAR Chapter3_MarkerlessAR Chapter4_StructureFromMotion Chapter5_NumberPlateRecognition Chapter6_NonRigidFaceTracking Chapter7_HeadPoseEstimation Chapter8_FaceRecognition Chapter9_FluidInteractionUsingKinect
OpenCV：01图片&视频的加载显示
m0_59466249的博客
06-27 1745
窗口操作 ：'mat’表示展示的内容，0表示什么都不展示 计算按键的值 读取图片 用其他插件来读取(以为例) 先将图片存入我们的文件夹下，命名为 注意：单独调用时可以不用创建窗口，opencv会自动生成 函数的封装 如果我们需要频繁地显示图片，那么我们可以把显示图片的方法封装成一个函数方便我们显示图片把这个函数放在一个文件里，需要使用的话就直接导入文件即可将函数保存为文件(命名为)，放在我们的文件夹中 想要调用函数时，我们导入文件即可 注意：导入后必须先执行文件！ 使用函数 保存图片 ：使用imw
机器学习深度学习实战模板代码（持续更新）
weixin_45955767的博客
09-04 1877
数据预处理 有偏数据变正态分布 对数变换：可以让方差和均值呈现线性 data.apply(np.log) 减小偏度和峰度 data.apply(np.log).apply(scipy.stats.skew) #观察偏度 data.apply(np.log).apply(scipy.stats.kurtosis) #观察峰度 def plot_hist(df, variable, bins=20, xlabel=N...
OpenCV(12)-OpenCV的机器学习
zxyccm的博客
01-16 1714
OpenCV的机器学习 Haar人脸识别方法 Haar+Tesseract车牌识别 深度学习基础知识 深度学习网络 模型训练 OpenCV使用DNN 导入模型 读取图像并将图像转成张量 将张量送入网络并执行 [实战]物体分类
Opencv 机器学习 ---- 完整的图片训练例子
热门推荐
ulong的学习记录
05-10 1万+
准备 首先准备好图片，所有图片都是统一大小。 我为了训练速度更快一些，制作了 20*15 像素的图片，这样做只是为了练习方法的使用，图片太小会丢失很多细节。 我使用的是 ACDSee 制作的图片样本，这个软件的批量改大小确实很好用。 样本展示 所有图片均来自网络 正样本： 图片名称从左往右依次：0.jpg, 1.jpg, 2.jpg, 3.jpg ...
【OpenCV学习】（十三）机器学习
weixin_40620310的博客
01-25 7142
【OpenCV学习】（十三）机器学习 背景 OpenCV中也提供了一些机器学习的方法，例如DNN；本篇将简单介绍一下机器学习的一些应用，对比传统和前沿的算法，能从其中看出优劣； 一、人脸识别 主要有以下两种实现方法： 1、哈尔（Haar）级联法：专门解决人脸识别而推出的传统算法； 实现步骤： 创建Haar级联器； 导入图片并将其灰度化； 调用函数接口进行人脸识别； 函数原型： detectMultiScale（img，scaleFactor，minNeighbors） scaleFactor：缩放尺
OpenCV_12机器学习
weixin_45231460的博客
06-04 500
机器学习cv使用DNN模型
计算机视觉入门：OpenCV与机器学习在人脸识别中的应用
"图形图像、机器学习、人脸识别及图像图形处理的学习总结，主要涉及OpenCV的使用，以及计算机视觉的基础知识和应用" 计算机视觉是一门综合性的学科，旨在开发能够理解和解释图像的计算机程序。它的目标是使计算机...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值