java knn opencv_在opencv3中实现机器学习算法之：利用最近邻算法（knn)实现手写数字分类...

手写数字digits分类，这可是深度学习算法的入门练习。而且还有专门的手写数字MINIST库。opencv提供了一张手写数字图片给我们，先来看看

这是一张密密麻麻的手写数字图：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。在opencv3.0版本中，图片存放位置为

/opencv/sources/samples/data/digits.png

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。

具体代码：

#include "stdafx.h"#include"opencv2\opencv.hpp"#include

using namespacestd;using namespacecv;using namespacecv::ml;intmain()

{

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 tData =TrainData::create(trainData, ROW_SAMPLE, trainLabels);

Ptr 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(i)) <= FLT_EPSILON ? 1.f : 0.f;if (i

train_hr+= r; //累积正确数

elsetest_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;

}

根据经验，利用最近邻算法对手写数字进行分类，会有很高的精度，因此在本文中我们采用的是knn算法。

最终结果：

训练精度为95.9%, 测试精度为92.6%。如果对手写数字识别准确率达不到90%以上，就没有什么实际作用了。如果调整训练样本数，这个精度应该会有所改变。