opencv# 4 ML ANN 手写体识别

参考文献：

在opencv3中的机器学习算法 - denny402 - 博客园

关于opencv的感知网络ANN的层数设置_正在编程-CSDN博客

OpenCvSharp.ML.ANN_MLP 人工神经网络——多层感知器

经过几天的苦闷，调试，终于实现了opencvsharp ann的手写体识别，其与knn的区别记录如下：

knn的标签是一个整型量：如0，1，2---9

ann的标签是一个全部分类的概率，如2的标签为一个浮点型的向量。

0，0，1，0，0，0，0，0，0，0

向量的长度应为种类数。

标签矩阵应为MatType.CV_32FC1类型，示例如下：

Mat tmp0 = new Mat(Length, 1, MatType.CV_32FC1, data);

ann训练的主要源代码如下：

var ann = ANN_MLP.Create();
            float[] t1 = { 400, 10,10} ;

            Mat layerSizes = new Mat(3, 1, MatType.CV_32F, data:t1);
            ann.SetLayerSizes(layerSizes);
            ann.SetActivationFunction(ANN_MLP.ActivationFunctions.SigmoidSym, 1, 1);
            ann.SetTrainMethod(ANN_MLP.TrainingMethods.BackProp, 0.001);
            ann.Train(tTrainData, SampleTypes.RowSample, tTrainLabel);
            ann.Save("ann.xml");

t1的参数分别为 像素数、中间层数、分类数

识别测试后，数据读取的方式如下：

for (int kj = 0; kj < 10; kj++)
                {
                    var value1 = testPredict.Get<float>(ki, kj);
                    Console.Write(value1.ToString("0.0") + " ");
                }

此处float和上文中提到的CV_32FC1类型相同。

几行简单的测试结果如下：

0.0 0.0 0.0 0.0 0.5 0.1 0.1 0.0 0.0 0.4 
0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 

0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.1 0.1 0.9 
0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 

0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.5 
0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 

从上可以看出，ANN可以实现概率输出，显然比knn强了n倍，具备较大的使用价值。