计算机视觉
计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,用电脑处理成为更适合人眼观察或传送给仪器检测的图像。
KNN算法实现(C++)
#include <iostream>
#include <string>
#include <vector>
#include <set>
#include <map>
#include <fstream>
#include <sstream>
#include <cassert>
#include <cmath>
using namespace std;
//样例结构体,所属类型和特征向量
struct sample {
string type;
vector<double> features;
};
// 类型和距离结构体
struct typeDistance {
string type;
double distance;
};
// 重载"<"
bool operator < (const typeDistance& lhs, const typeDistance& rhs) {
return lhs.distance < rhs.distance;
}
// 读取训练样本
void readTrain(vector<sample>& train, const string& file) {
ifstream fin(file.c_str());
if (!fin) {
cerr << "File error!" << endl;
exit(1);
}
string line;
double d = 0.0;
while (getline(fin, line)) {
istringstream sin(line);
sample ts;
sin >> ts.type;
while (sin >> d) {
ts.features.push_back(d);
}
train.push_back(ts);
}
fin.close();
}
// 读取测试样本
void readTest(vector<sample>& test, const string& file) {
ifstream fin(file.c_str());
if (!fin) {
cerr << "File error!" << endl;
exit(1);
}
double d = 0.0;
string line;
while (getline(fin, line)) {
istringstream sin(line);
sample ts;
while (sin >> d) {
ts.features.push_back(d);
}
test.push_back(ts);
}
fin.close();
}
// 计算欧氏距离
double euclideanDistance(const vector<double>& v1, const vector<double>& v2) {
assert(v1.size() == v2.size());
double ret = 0.0;
for (vector<double>::size_type i = 0; i != v1.size(); ++i) {
ret += (v1[i] - v2[i]) * (v1[i] - v2[i]);
}
return sqrt(ret);
}
// 初始化距离矩阵
// 该矩阵是根据训练样本和测试样本而得
// 矩阵的行数为测试样本的数目,列数为训练样本的数目
// 每一行为一个测试样本到各个训练样本之间的欧式距离组成的数组
void initDistanceMatrix(vector<vector<double> >& dm, const vector<sample>& train, const vector<sample>& test) {
for (vector<sample>::size_type i = 0; i != test.size(); ++i) {
vector<double> vd;
for (vector<sample>::size_type j = 0; j != train.size(); ++j) {
vd.push_back(euclideanDistance(test[i].features, train[j].features));
}
dm.push_back(vd);
}
}
// K-近邻法的实现
// 设定不同的 k 值,给每个测试样例予以一个类型
// 距离和权重成反比
void knnProcess(vector<sample>& test, const vector<sample>& train, const vector<vector<double> >& dm, unsigned int k) {
for (vector<sample>::size_type i = 0; i != test.size(); ++i) {
multimap<double, string> dts; //保存与测试样本i距离最近的k个点
for (vector<double>::size_type j = 0; j != dm[i].size(); ++j) {
//把前面k个插入dts中
if (dts.size() < k) {
dts.insert(make_pair(dm[i][j], train[j].type)); //插入时会自动排序,按dts中的double排序,最小的排在最后
} else {
multimap<double, string>::iterator it = dts.end();
--it;
//把当前测试样本i到当前训练样本之间的欧氏距离与dts中最小距离比较,若更小就更新dts
if (dm[i][j] < it->first) {
dts.erase(it);
dts.insert(make_pair(dm[i][j], train[j].type));
}
}
}
map<string, double> tds;
string type = "";
double weight = 0.0;
//下面for循环主要是求出与测试样本i最邻近的k个样本点中大多数属于的类别,即将其作为测试样本点i的类别
for (multimap<double, string>::const_iterator cit = dts.begin(); cit != dts.end(); ++cit) {
// 不考虑权重的情况,在 k 个样例中只要出现就加 1
// ++tds[cit->second];
// 这里是考虑距离与权重的关系,距离越大权重越小
tds[cit->second] += 1.0 / cit->first;
if (tds[cit->second] > weight) {
weight = tds[cit->second];
type = cit->second; //保存一下类别
}
}
test[i].type = type;
}
}
// 输出结果文件
void writeTest(const vector<sample>& test, const string& file) {
ofstream fout(file.c_str());
if (!fout) {
cerr << "File error!" << endl;
exit(1);
}
for (vector<sample>::size_type i = 0; i != test.size(); ++i) {
fout << test[i].type << '\t';
for (vector<double>::size_type j = 0; j != test[i].features.size(); ++j) {
fout << test[i].features[j] << ' ';
}
fout << endl;
}
}
// 封装
void knn(const string& file1, const string& file2, const string& file3, int k) {
vector<sample> train, test;
readTrain(train, file1.c_str());
readTest(test, file2.c_str());
vector<vector<double> > dm;
initDistanceMatrix(dm, train, test);
knnProcess(test, train, dm, k);
writeTest(test, file3.c_str());
}
// 测试
int main() {
knn("train.txt", "test.txt", "result.txt", 5);
return 0;
}
结果文件: