opencv机器学习ml模块简介

最新推荐文章于 2024-09-03 08:16:55 发布
最新推荐文章于 2024-09-03 08:16:55 发布
阅读量1w 收藏 120
点赞数 21
分类专栏： 机器学习

                              本文不涉原理，只介绍如何使用！

ml模块为opencv的机器学习(machine learning，ml)代码库，包含各种机器学习算法：

0, class CvStatModel ; class CvMLData; struct CvParamGrid;

1，Normal Bayes Classifier（贝叶斯分类）；

2，K-Nearest Neighbour Classifier（K-邻近算法）；

3，SVM,support vector machine(支持向量机)；

4，Expectation - Maximization （EM算法）；

5，Decision Tree（决策树）；

6，Random Trees Classifier（随机森林算法）；

7， Boosted tree classifier （Boost树算法）；

9，Stochastic Gradient Descent SVM classifier；

10，ANN,Artificial Neural Networks(人工神经网络)；

ml模块中有一个cv::ml::TrainData类，用于生成训练数据

create函数，从内存数组创建训练数据。：

static Ptr<TrainData> cv::ml::TrainData::create	(InputArray samples,
int layout,
InputArray 	responses,
InputArray 	varIdx = noArray(),
InputArray 	sampleIdx = noArray(),
InputArray 	sampleWeights = noArray(),
InputArray 	varType = noArray() 
)

参数
sample：样本矩阵样本。它应该具有CV_32F类型，原始数据一般是uchar型，所以要进行类型转化。
layout：有两种取值

  1. ROW_SAMPLE   一行为一个样本
  2. COL_SAMPLE 一列为一个样本

response：响应矩阵。如果响应是标量，则将它们存储为单行或单列。 矩阵应该具有类型CV_32F或CV_32S（在前一种情况下，响应在默认情况下被视为有序;在后一种情况下 - 作为分类）
varIdx：vector，指定用于训练的变量。 它可以是包含基于0的变量索引的整数向量（CV_32S）或包含活动变量掩码的字节向量（CV_8U）。
sampleIdx：向量，指定用于训练的样本。 它可以是包含基于0的样本索引的整数向量（CV_32S）或包含训练样本掩码的字节向量（CV_8U）。
sampleWeights：权重向量，每个样本都有权重。 它应该具有CV_32F类型。

1、KNN

      OpenCV 3.4.3中给出了K-最近邻(KNN)算法的实现，即cv::ml::Knearest类，此类的声明在include/opecv2/ml.hpp文件中，实现在modules/ml/src/knearest.cpp文件中。Knearest类：继承自cv::ml::StateModel，而StateModel又继承自cv::Algorithm。

static Ptr<KNearest> cv::ml::KNearest::create ()

create函数：为静态成员函数，new一个KNearestImpl，用来创建一个KNearest对象，如下：

cv::Ptr<cv::ml::KNearest> knn = cv::ml::KNearest::create();

setDefaultK/getDefaultK函数：在预测时，设置/获取的K值；

setIsClassifier/getIsClassifier函数：设置/获取应用KNN是进行分类还是回归；

setEmax/getEmax函数：在使用KDTree算法时，设置/获取Emax参数值；

setAlgorithmType/getAlgorithmType函数：设置/获取KNN算法类型，目前支持两种：brute_force和KDTree；

findNearest函数：根据输入预测分类/回归结果

virtual float cv::ml::KNearest::findNearest	(
InputArray 	samples,
int k,
OutputArray 	results,
OutputArray 	neighborResponses = noArray(),
OutputArray 	dist = noArray() 
)		const

参数说明：

  1. samples:为 样本数*特征数 的浮点二维矩阵；
  2. k：为寻找最近点的个数；
  3. results:预测结果；
  4. neighborResponse:为样本数*k的二维矩阵,代表每个样本的K个近邻的输出值；
  5. dist：为样本数*k的二维矩阵，代表每个样本的K个近邻的距离。

实例：opencv提供了一张手写数字图片给我们，

     图片大小为1000*2000,有0-9的10个数字，每5行为一个数字，总共50行，共有5000个手写数字。我们首先要做的，就是把这5000个手写数字，一个个截取出来，每个数字块大小为20*20。直接将每个小图块进行序列化，因此最终得到一个5000*400的特征矩阵。样本数为5000，维度为400维。取其中前3000个样本进行训练。

注意：截取的时候，是按列截取。不然取前3000个样本进行训练就会出现后几个数字训练不到。

#include "stdafx.h"
#include "opencv2\opencv.hpp"
#include <iostream>
using namespace std;
using namespace cv;
using namespace cv::ml;

int main()
{
    Mat img = imread("E:/opencv/opencv/sources/samples/data/digits.png");
    Mat gray;
    cvtColor(img, gray, CV_BGR2GRAY);
    int b = 20;
    int m = gray.rows / b;   //原图为1000*2000
    int n = gray.cols / b;   //裁剪为5000个20*20的小图块
    Mat data,labels;   //特征矩阵
    for (int i = 0; i < n; i++)
    {
        int offsetCol = i*b; //列上的偏移量
        for (int j = 0; j < m; j++)
        {
            int offsetRow = j*b;  //行上的偏移量
            //截取20*20的小块
            Mat tmp;
            gray(Range(offsetRow, offsetRow + b), Range(offsetCol, offsetCol + b)).copyTo(tmp);
            data.push_back(tmp.reshape(0,1));  //序列化后放入特征矩阵
            labels.push_back((int)j / 5);  //对应的标注
        }

    }
    data.convertTo(data, CV_32F); //uchar型转换为cv_32f
    int samplesNum = data.rows;
    int trainNum = 3000;
    Mat trainData, trainLabels;
    trainData = data(Range(0, trainNum), Range::all());   //前3000个样本为训练数据
    trainLabels = labels(Range(0, trainNum), Range::all());

    //使用KNN算法
    int K = 5;
    Ptr<TrainData> tData = TrainData::create(trainData, ROW_SAMPLE, trainLabels);//降训练数据封装成一个TrainData对象，送入train函数
    Ptr<KNearest> model = KNearest::create();
    model->setDefaultK(K);
    model->setIsClassifier(true);
    model->train(tData);

    //预测分类
    double train_hr = 0, test_hr = 0;
    Mat response;
    // compute prediction error on train and test data
    for (int i = 0; i < samplesNum; i++)
    {
        Mat sample = data.row(i);
        float r = model->predict(sample);   //对所有行进行预测
        //预测结果与原结果相比，相等为1，不等为0
        r = std::abs(r - labels.at<int>(i)) <= FLT_EPSILON ? 1.f : 0.f;          

        if (i < trainNum)
            train_hr += r;  //累积正确数
        else
            test_hr += r;
    }

    test_hr /= samplesNum - trainNum;
    train_hr = trainNum > 0 ? train_hr / trainNum : 1.;

    printf("accuracy: train = %.1f%%, test = %.1f%%\n",
        train_hr*100., test_hr*100.);
    waitKey(0);
    return 0;
}

代码来自：https://www.cnblogs.com/denny402/p/5033898.html

2、DTree

 create函数用来创建一个DTrees对象；

static Ptr<DTrees> cv::ml::DTrees::create()

(1)、setMaxCategories/getMaxCategories函数：设置/获取最大的类别数，默认值为10；

(2)、setMaxDepth/getMaxDepth函数：设置/获取树的最大深度，默认值为INT_MAX；

(3)、setMinSampleCount/getMinSampleCount函数：设置/获取最小训练样本数，如果节点中的样本数小于此参数，则不会拆分该节点。默认值为10；

(4)、setCVFolds/getCVFolds函数：设置/获取CVFolds值，如果此值大于1，算法使用K-fold交叉验证程序修剪构建的决策树，其中K等于CVFolds。 默认值为10。

(5)、setTruncatePrunedTree/getTruncatedTree函数：设置/获取是否进行剪枝后移除操作，默认值为true；

(6)、setRegressionAccuracy/getRegressionAccuracy函数：设置/获取回归时用于终止的标准，默认值为0.01；

(7)、setPriors/getPriors函数：设置/获取先验概率数值，用于调整决策树的偏好，默认值为空的Mat；

(8)、getRoots函数：获取根节点索引；

(9)、getNodes函数：获取所有节点索引；

(10)、getSplits函数：获取所有拆分索引；

(11)、getSubsets函数：获取分类拆分的所有bitsets；

(12)、load函数：load已序列化的model文件。

static Ptr<DTrees> cv::ml::DTrees::load	(const String & filepath,const String & nodeName = String() )

使用方法与KNN基本一致：

cv::Ptr<cv::ml::DTrees> dtree = cv::ml::DTrees::create();
	dtree->setMaxCategories(10);//设置分类数为10,0-9
	dtree->setMaxDepth(10);
	dtree->setMinSampleCount(10);
	dtree->setCVFolds(0);
	dtree->setUseSurrogates(false);
	dtree->setUse1SERule(false);
	dtree->setTruncatePrunedTree(false);
	dtree->setRegressionAccuracy(0);
	dtree->setPriors(cv::Mat()); 
	dtree->train(train_data, cv::ml::ROW_SAMPLE, train_labels);
//在这里我们没有使用Ptr<TrainData>创建训练对象，而是直接将“train_data, cv::ml::ROW_SAMPLE, train_labels”送入train函数，这两种方式都是可行的

const std::string save_file{ "E:/GitCode/NN_Test/data/decision_tree_model.xml" }; // .xml, .yaml, .jsons
	dtree->save(save_file);

3、逻辑回归

     逻辑回归(logistic regression)的实现，即cv::ml::LogisticRegression类，类的声明在include/opencv2/ml.hpp文件中，实现在modules/ml/src/lr.cpp文件中,它既支持两分类，也支持多分类，其中：

(2)、setLearningRate/getLearningRate函数用来设置获取学习率；

(3)、setIterations/getIterations函数用来设置/获取迭代次数；

(4)、setRegularization函数用来设置采用哪种正则化方法，目前支持两种L1 norm和L2 norm，正则化方法主要用来防止过拟合；

(5)、setTrainMethod函数用来设置采用哪种训练方法，目前支持两种Batch和Mini-Batch，使用Mini-Batch方法时，将MiniBatchSize设置一个正整数。

(6)、setMiniBatchSize函数用来设置在Mini-Batch梯度下降训练方法中每一个step采集的训练样本数，getMiniBatchSize函数用来获取每一个step采集的训练样本数；

(7)、setTermCriteria/getTermCriteria函数用来设置/获取终止训练的条件，包括迭代次数和期望的精度;

(8)、get_learnt_thetas函数用来获取训练参数；

(9)、train函数(使用基类StatModel中的)进行训练；

(10)、predict函数用于预测；

(11)、save函数(使用基类Algorithm中的)保存已训练好的model，支持xml,yaml,json格式;

(12)、load函数用来load已训练好的model；
 

cv::Ptr<cv::ml::LogisticRegression> lr = cv::ml::LogisticRegression::create();
	lr->setLearningRate(0.00001);
	lr->setIterations(100);
	lr->setRegularization(cv::ml::LogisticRegression::REG_DISABLE);
	lr->setTrainMethod(cv::ml::LogisticRegression::MINI_BATCH);
	lr->setMiniBatchSize(1);
 
	lr->train(data, cv::ml::ROW_SAMPLE, labels);
    const std::string save_file{ "E:/GitCode/NN_Test/data/logistic_regression_model.xml" }; // .xml, .yaml, .jsons
	lr->save(save_file);

cv::Ptr<cv::ml::LogisticRegression> lr = cv::ml::LogisticRegression::load(model_file);
     lr->predict(data, result);

转自：https://blog.csdn.net/fengbingchun/article/details/78221693

4、SVM

     支持向量机(Support Vector Machines)的实现，即cv::ml::SVM类，它既支持两分类，也支持多分类，还支持回归等，OpenCV中SVM的实现源自libsvm库。

(3)、setType/getType函数：设置/获取SVM公式类型，包括C_SVC、NU_SVC、ONE_CLASS、EPS_SVR、NU_SVR，用于指定分类、回归等，默认为C_SVC；

  1. C_SVC:C-支持向量分类。 n级分类（n≥2），允许类别的不完美分离与罚分乘数C的异常值。
  2. NU_SVC:ν-支持向量分类。 n级分类，可能存在不完美的分离。 使用参数ν（在0..1范围内，值越大，决策边界越平滑）代替C.
  3. ONE_CLASS:分布估计（一类SVM）。 所有训练数据都来自同一个类，SVM构建一个边界，将类与特征空间的其余部分分开。
  4. EPS_SVR:ε-支持向量回归。 来自训练集和拟合超平面的特征向量之间的距离必须小于p。 对于异常值，使用罚分乘数C.
  5. NU_SVR:ν-支持向量回归。 用ν代替p。 

(4)、setGamma/getGamma函数：设置/获取核函数的γ参数，默认值为1；

(5)、setCoef0/getCoef0函数：设置/获取核函数的coef0参数，默认值为0；

(6)、setDegree/getDegree函数：设置/获取多项式核函数的degreee参数（阶数），默认值为0；

(7)、setC/getC函数：设置/获取SVM优化问题的C参数，默认值为0；

(8)、setNu/getNu函数：设置/获取SVM优化问题的υ参数，默认值为0；

(9)、setP/getP函数：设置/获取SVM优化问题的ε参数，默认值为0；

(10)、setClassWeights/getClassWeights函数：应用在C_SVC,设置/获取weights，默认值是空cv::Mat；

(11)、setTermCriteria/getTermCriteria函数：设置/获取SVM训练时迭代终止条件，默认值是cv::TermCriteria(cv::TermCriteria::MAX_ITER + TermCriteria::EPS,1000, FLT_EPSILON)；

(12)、setKernel/getKernelType函数：设置/获取SVM核函数类型，包括CUSTOM、LINEAR、POLY、RBF、SIGMOID、CHI2、INTER，默认值为RBF；

(13)、setCustomKernel函数：初始化CUSTOM核函数；

(14)、trainAuto函数：用最优参数训练SVM；会相当耗时。

virtual bool cv::ml::SVM::trainAuto	(	const Ptr< TrainData > & 	data,
int kFold = 10,
ParamGrid 	Cgrid = getDefaultGrid(C),
ParamGrid 	gammaGrid = getDefaultGrid(GAMMA),
ParamGrid 	pGrid = getDefaultGrid(P),
ParamGrid 	nuGrid = getDefaultGrid(NU),
ParamGrid 	coeffGrid = getDefaultGrid(COEF),
ParamGrid 	degreeGrid = getDefaultGrid(DEGREE),
bool 	balanced = false 
)

(15)、getSupportVectors/getUncompressedSupportVectors函数：获取所有的支持向量；

(16)、getDecisionFunction函数：决策函数；

(17)、getDefaultGrid/getDefaultGridPtr函数：生成SVM参数网格；

static Ptr<ParamGrid> cv::ml::SVM::getDefaultGridPtr(int param_id)

 param_id:  C ,   GAMMA ,   P ,   NU,    COEF ,   DEGREE 
(19)、train/predict函数：用于训练/预测，均使用基类StatModel中的。(18)、save/load函数：保存/载入已训练好的model，支持xml,yaml,json格式；

cv::Ptr<cv::ml::SVM> svm = cv::ml::SVM::create();
	svm->setType(cv::ml::SVM::C_SVC);
	svm->setKernel(cv::ml::SVM::LINEAR);
	svm->setTermCriteria(cv::TermCriteria(cv::TermCriteria::MAX_ITER, 100, 1e-6));
 
	CHECK(svm->train(trainingDataMat, cv::ml::ROW_SAMPLE, labelsMat));
 
	const std::string save_file{ "E:/GitCode/NN_Test/data/svm_model.xml" }; // .xml, .yaml, .jsons
	svm->save(save_file);

具体应用实例可参见：https://blog.csdn.net/qq_30815237/article/details/94546773 

5、SVMSGD 随机梯度下降SVM分类器。

参数w更新公式为：

                          

w_{t}：是步骤t 中决策函数的权重向量 w

γ(t) :是迭代t时,模型参数的步长,每次迭代步长减小公式： 

Qi ：是总数为i个样本的SVM的目标函数，该样本在算法的每个步骤上随机选择。

ASGD是平均随机梯度下降SVM分类器。 ASGD分类器通过公式对算法的每个步骤的权重向量进行平均：

                

分类器具有以下参数：

setMarginType()/getMarginType()：边界类型分为软边界和硬边界，SOFT_MARGIN，HARD_MARGIN

setSvmsgdType()/getSvmsgdType():SGD和ASGD

SGD 

Stochastic Gradient Descent.

ASGD 

Average Stochastic Gradient Descent.

边界正则化参数（λ）：正则化参数负责每一步的权重减少以及对异常值的限制强度（参数越小，异常值不容易被忽略）。 SGD模型的推荐值为0.0001，ASGD模型的推荐值为0.00001。

初始步长（γ0）：初始步长参数是步长γ（t）的初始值。

逐步降低功率（c）：是γ（t）的功率参数，通过上述公式减小。 SGD模型的推荐值为1，ASGD模型的推荐值为0.75。

终止标准：终止标准可以是TermCriteria :: COUNT，TermCriteria :: EPS或TermCriteria :: COUNT + TermCriteria :: EPS。

// Create empty object
cv::Ptr<SVMSGD> svmsgd = SVMSGD::create();
// Train the Stochastic Gradient Descent SVM
svmsgd->train(trainData);
// Predict labels for the new samples
svmsgd->predict(samples, responses);

6、ANN_MLP

     人工神经网络——多层感知器。与许多其他模型毫升构造和训练,在模型这些步骤是分开的。首先,创建一个与指定的网络拓扑结构使用非默认的构造函数或方法ANN_MLP::创建。所有的权重都设置为0。然后,网络训练使用一组输入和输出向量。训练过程可以重复不止一次,也就是说,权重可以基于新的训练数据，进行调整。

1、setLayerSizes()：整数向量，指定每层中神经元的数量，包括输入和输出层。 第一个元素指定输入图层中的元素数。 最后一个元素 - 输出图层中的元素数。 默认值为空Mat。

virtual void cv::ml::ANN_MLP::setLayerSizes(InputArray _layer_sizes)

2、setActivationFunction()：设置激活函数

virtual void cv::ml::ANN_MLP::setActivationFunction(int type,double param1 = 0,double param2 = 0 )

type：

param1： activation function的第一个参数 α. Default value is 0.
param2： activation function的第二个参数β. Default value is 0.

3、setTrainMethod()函数

virtual void cv::ml::ANN_MLP::setTrainMethod(int method,double 	param1 = 0,double param2 = 0 )

method：backprop:反向传播；rprop:弹性反向传播；anneal :模拟退火算法；

//创建ANN

Ptr<ANN_MLP> bp = ANN_MLP::create();

设置层数时，要注意：例子的数量要和标签的数量相同。第一项为图片的像素数，最后一项为训练的种类数

//设置层数
 Mat layerSizes = (Mat_<int>(1, 4) << image_rows*image_cols, int(image_rows*image_cols / 2), int(image_rows*image_cols / 2), class_num);
 bp->setLayerSizes(layerSizes);
bp->setActivationFunction(ANN_MLP::SIGMOID_SYM, 1, 1);

//void setActivationFunction(int _activ_func, double _f_param1, double _f_param2 );

 bp->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER + TermCriteria::EPS, 300, FLT_EPSILON));
 bp->setTrainMethod(ANN_MLP::BACKPROP, 0.001);
 Ptr<TrainData> tData = TrainData::create(DataMat, ROW_SAMPLE, labelsMat);
 bp->train(tData);
float response = ann->predict(testMat,outputMat);

//加载分类器时,使用以下任意一个即可 

Ptr<ANN_MLP> bp = StatModel::load<ANN_MLP>("*.xml");
Ptr<ANN_MLP> bp = ANN_MLP::load<ANN_MLP>("*.xml");
Ptr<ANN_MLP> bp = Algorithm::load<ANN_MLP>("*.xml");

 predict 函数原型:
virtual float predict( InputArray samples, OutputArray results=noArray(), int flags=0 )；

最终的预测结果应该是第二个参数OutputArray results，不是那个 response

Opencv学习笔记 - OpenCV 4机器学习算法简介
学以致用 知行合一
11-16 5070
在机器学习中，一些比较流行方法的包括：支持向量机（SVM）、人工神经网络（ANN）、聚类、k-最近邻、决策树和深度学习。OpenCV支持并实现几乎所有这些方法，并有详细的文档说明。 OpenCV 4 机器学习算法 OpenCV实现了其中的八种机器学习算法，所有这些算法都继承自StatModel类，这八种算法是： ·人工神经网络 ·随机树 ·期望最大化 ·k-最近邻 ·............
基于opencv3的ml(机器学习)代码
09-08
opencv3的ml模块与opencv2版本相比变化很大，网上也很难找到相关的资源描述，这是基于opencv3的ml(机器学习)代码，是很好的样例，可以快速了解opencv3环境下如何编写ml代码
【机器学习】图像处理与深度学习利器：OpenCV实战攻略全面解析
热门推荐
鸽芷咕的博客
09-03 1万+
OpenCV想必大家都听过跨平台计算机视觉库，可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效由一系列 C 函数和少量 C++ 类构成，可谓是处理图像上的一把好手今天我们就来看下OpenCV的全面攻略让你彻底认识OpenCV.
opencv系列之机器学习（ml）
zhanghenan123的博客
09-12 4221
（版本为3.4.0） opencv官方api文档：https://docs.opencv.org/ ml模块的svm操作： python版本 1、生成训练数据 训练文件分别以类标签为文件名，里面存放对应的类文件 def generate_data(self,file_dir): train_data= [] train_labels = [] if os.pa...
OpenCV学习笔记：opencv_ml模块
qq_38662499的博客
07-06 739
转自:http://www.cnblogs.com/xylc/p/3406141.html 一，简介 该模块为opencv的机器学习(machine learning，ml)代码库，包含各种机器学习算法： 0, class CvStatModel ; class CvMLData; struct CvParamGrid; 1，bayesian,Normal Bayes
opencv7-ml之统计模型
weixin_34038293的博客
09-27 158
在opencv的ml模块中有个统计模型类，而其他的比如朴素贝叶斯分类器、knn、svm等等其他模型都是基于该模型上派生出来的。所以先介绍下该模型。 该类的定义在文件“opencv\sources\modules\ml\include\opencv2\ml\ml.hpp”中： class CV_EXPORTS_W CvStatModel { public: CvS...
OpenCV 简介（cxcore, ml）
llzwdtt专栏
09-22 927
转载：http://www.cnblogs.com/okaimee/archive/2010/09/19/1830801.html 这里简单的记录一些 OpenCV 这个库的使用。这是用 C/C++ 写的一个和 computer vision 相关的库，一共含有 5 个组件：
【opencv】教程代码 —ml （主成分分析、支持向量机、非线性支持向量机）
cxyhjl的博客
04-04 770
1. introduction_to_pca.cpp 主成分分析/** * @file introduction_to_pca.cpp * @brief 这个程序演示了如何使用OpenCV PCA 提取物体的方向 * @author OpenCV团队 */ // 包含OpenCV函数库所需要的头文件 #include "opencv2/core.hpp" #include "ope...
机器学习十大算法编程-基于OpenCV实现
01-04
2. **OpenCV中的机器学习模块**：OpenCV提供了一个名为`cv::ml`的C++模块，包含了多种机器学习算法的接口。例如，`cv::ml::SVM`用于支持向量机，`cv::ml::KNearest`用于K-NN，`cv::ml::RTrees`用于随机森林等。这些...
基于opencv的机器视觉学习.zip
02-16
OpenCV中的机器学习模块提供了丰富的接口和工具，例如`cv::ml::SVM`类用于支持向量机，`cv::ml::KNearest`类用于K近邻算法。这些类提供训练模型和预测的功能，使得我们可以轻松地处理数据集并训练出有效的模型。 在...
ML_Module_3
02-26
ML_Module_3
opencv4.8 contrib模块
08-01
10. **ml**：机器学习模块的扩展，包括集成学习算法如随机森林和梯度提升机。 11. **objdetect**：对象检测模块，如HOG+SVM的行人检测等。 12. **photo**：图像修复和增强技术，如降噪、去雾等。 13. **python_...
opencv第十章 机器学习和深度学习
weixin_45964083的博客
03-15 5242
机器学习和深度学习 机器学习是人工智能的核心，专门研究如何让计算机模拟和学习人类的行为。 深度学习是机器学习中的一个热门研究方向，它主要研究样本数据的内在规律和表示层次，让计算机能够让人一样具有分析与学习能力。 机器学习 kNN算法 kNN算法将找出k个距离最近的邻居作为目标的 同一类别 图解kNN算法 使用OpenCV的ml模块中的kNN算法的基本步骤如下。 (1)调用cv2.mL.KNearest_ create()函数创建kNN分类器。 (2)将训练数据和标志作为输入，调用kNN分类器的train()
opencv(python)------机器学习模块ml(十一)
m0_47405013的博客
06-09 311
机器学习ml模块
opencv7-ml之KNN
weixin_34397291的博客
09-27 156
准备知识 在文件”opencv\sources\modules\ml\src\precomp.hpp“中 有cvPrepareTrainData的函数原型。 int cvPrepareTrainData( const char* /*funcname*/, const CvMat* train_data, int tflag, ...
学习笔记之——opencv的ML模块
gwpscut的博客
05-29 5788
之前开始学opencv的时候就看到opencv里面有机器学习模块（machine learning，ML），但是一直以来跟着这么多书籍学习都没有发现有提及过（毕竟opencv是针对图像处理方面的，所以大部分书籍都以介绍图像处理方面的为主）。无意中，在《OpenCV和Visual Studio图像识别应用开发》一书中看到有ML模块的介绍，所以就打算写下这一篇学习笔记~在opencv中，ML模块是一组...
C/C++开发，opencv-ml库学习，ml模块代码实现研究
技术需要分享
05-05 1187
c++ opencv库的ml模块代码实现分析。
opencv之ML学习
u013049912的博客
11-12 482
OpenCV3.3中 K-最近邻法(KNN)接口简介及使用 https://blog.csdn.net/fengbingchun/article/details/78485669 OpenCV3.3中决策树(Decision Tree)接口简介及使用 https://blog.csdn.net/fengbingchun/article/details/78882055 OpenCV3.3中...
如何在openmv中导入ml模块
最新发布
10-07
在OpenMV微控制器上，为了使用机器学习功能，你需要先导入内置的`machine_learning` (简称ML) 模块。这个模块包含了各种用于处理和执行机器学习任务的函数和类。以下是导入ML模块的基本步骤： ```python import openmv from openmv import machine_learning as ml # 现在你可以使用ml模块下的所有功能了 ``` 首先，我们导入了整个`openmv`库，然后使用`from ... import ...`语法导入了`machine_learning`模块，并给它起了别名`ml`。这样做可以使后续的代码更简洁，直接使用`ml`而不是完整的`openmv.machine_learning`。 如果你只对特定的机器学习功能感兴趣，可以直接导入那些函数或类，例如，如果你想用到线性回归，可以这么导入： ```python from openmv import machine_learning as ml from openmv.ml import LinearRegression # 然后创建并使用LinearRegression实例 regressor = LinearRegression() ```
评论
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