python实现knn图片分类_GitHub - professor98911/PythonComputerVision-9-Image-Content-Classification: 图像内容分类。...

PythonComputerVision-9-Image-Content-Classification

图像内容分类--本文主要阐述：①knn可视化。②dense sift(稠密sift)原理。③手势识别

一.K邻近分类法(KNN)

目前存在很多分类方法，其中最简单且用的最多的一种方法就是KNN(K-Nearest Neighbor,K邻近分类法)，这种算法把要分类的对象，比如我们后面要用到的特征向量，与训练集中已知类标记的所有对象进行对比，并由k近邻对指派到哪个类进行投票。这种方法通常分类效果较好，但是也有很多弊端：与K-means聚类算法一样，需要预先设定K值，K值的选择会影响分类的性能；此外，这种方法要求将整个训练集存储起来，如果训练集非常大，搜索起来会比歼缓慢。对于大训练集，采取某些装箱形式通常会减少对比的次数。

实现最基本的KNN很简单。这里会展示一个简单的二维示例：

1.创建数据集

源码如下：

# -*- coding: utf-8 -*-

from numpy.random import randn

import pickle

from pylab import *

# create sample data of 2D points

n = 250

# 2个正态分布数据集

class_1 = 0.7 * randn(n,2)

class_2 = 1.4 * randn(n,2) + array([5,1])

labels = hstack((ones(n),-ones(n)))

# save with Pickle

#with open('points_normal.pkl', 'wb') as f:

with open('points_normal_test.pkl', 'wb') as f:

pickle.dump(class_1,f)

pickle.dump(class_2,f)

pickle.dump(labels,f)

# 正态分布并且使数据环绕装分布

print ("save OK!")

class_1 = 0.7 * randn(n,2)

r = 0.9 * randn(n,1) + 5

angle = 3*pi * randn(n,1)

class_2 = hstack((r*cos(angle),r*sin(angle)))

labels = hstack((ones(n),-ones(n)))

# save with Pickle

#with open('points_ring.pkl', 'wb') as f:

with open('points_ring_test.pkl', 'wb') as f:

pickle.dump(class_1,f)

pickle.dump(class_2,f)

pickle.dump(labels,f)

print ("save OK!")

用不同的保存文件名运行上述代码两次，就可以得到4个二维数据集。每个分布有两个文件，一个训练，一