opencv——基於KNN的數字識別
阿新 • • 發佈:2019-01-13
KNN即K個最近鄰,網上有很多關於KNN的文章。我大概總結下核心:假設有A圖片,讓A與訓練樣本依次計算相似度(可用歐式距離),挑選出K個與A圖片相似度最大的圖片,這K個圖片中,哪種型別最多那麼定義A圖片也屬於該型別。
首先,需要有數字的訓練樣本
https://download.csdn.net/download/weixin_41721222/10784418
KNN的數字識別程式碼與基於SVM的數字識別大體一致
https://blog.csdn.net/weixin_41721222/article/details/84953788
核心思路:
1:獲取一張訓練圖片後會將圖片特徵寫入到容器中,緊接著會將標籤寫入另一個容器中,這樣就保證了特徵和標籤是一一對應的關係。
2:特徵可用LBP,HOG等提取,但是我們這裡主要說KNN訓練過程,所以用最簡單的方法,即把訓練圖片的全部畫素序列成一行畫素作為特徵,用reshape(1,1)。
3:圖片特徵資料得轉換成CV_32FC1的資料格式。
4:所有訓練樣本與測試樣本的尺寸都應該一樣(這裡我都選擇20*20)。
下面程式碼是opencv3和C++
可以根據自己需要修改訓練樣本類別,數目,尺寸。oss的訓練樣本路徑,src的檢測圖片路徑。
/// 字元識別——基於模版匹配.cpp: 定義控制檯應用程式的入口點。 // #include "stdafx.h" #include<opencv2/opencv.hpp> #include<iostream> using namespace std; using namespace cv; using namespace ml; ostringstream oss; int num = -1; Mat dealimage; Mat src; int k = 0; Mat yangben_gray; Mat yangben_thresh; int main() { ////===============================讀取訓練資料===============================//// const int classsum = 10;//圖片共有10類 const int imagesSum =500;//每類有500張圖片 const int imageRows = 20;//圖片尺寸 const int imageCols = 20; //訓練資料,每一行一個訓練圖片 Mat trainingData; //訓練樣本標籤 Mat labels; //最終的訓練樣本標籤 Mat clas; //最終的訓練資料 Mat traindata; //////////////////////從指定資料夾下提取圖片////////////////// for (int p = 0; p < classsum; p++) { oss << "C:/Users/zhang/Desktop/opencv——例項/小案例/車牌檢測/基於adaboost機器學習/模版匹配樣本/"; num += 1;//num從0到9 int label = num; oss << num << "/*.jpg";//圖片名字字尾,oss可以結合數字與字串 string pattern = oss.str();//oss.str()輸出oss字串,並且賦給pattern oss.str("");//每次迴圈後把oss字串清空 vector<Mat> input_images; vector<String> input_images_name; glob(pattern, input_images_name, false); //為false時,僅僅遍歷指定資料夾內符合模式的檔案,當為true時,會同時遍歷指定資料夾的子資料夾 //此時input_images_name存放符合條件的圖片地址 int all_num = input_images_name.size();//檔案下總共有幾個圖片 //cout << num << ":總共有" << all_num << "個圖片待測試" << endl; for (int i = 0; i < imagesSum; i++) { cvtColor(imread(input_images_name[i]), yangben_gray, COLOR_BGR2GRAY); threshold(yangben_gray, yangben_thresh, 0, 255, THRESH_OTSU); input_images.push_back(yangben_thresh); //迴圈讀取每張圖片並且依次放在vector<Mat> input_images內 dealimage = input_images[i]; //注意:我們簡單粗暴將整個圖的所有畫素作為了特徵,因為我們關注更多的是整個的訓練過程 //,所以選擇了最簡單的方式完成特徵提取工作,除此中外, //特徵提取的方式有很多,比如LBP,HOG等等 //我們利用reshape()函式完成特徵提取, //reshape(1, 1)的結果就是原影象對應的矩陣將被拉伸成一個一行的向量,作為特徵向量。 dealimage = dealimage.reshape(1, 1);//圖片序列化 trainingData.push_back(dealimage);//序列化後的圖片依次存入 labels.push_back(label);//把每個圖片對應的標籤依次存入 } } //圖片資料和標籤轉變下 Mat(trainingData).copyTo(traindata);//複製 traindata.convertTo(traindata, CV_32FC1);//更改圖片資料的型別,必要,不然會出錯 Mat(labels).copyTo(clas);//複製 ////===============================建立KNN模型===============================//// Ptr<KNearest>knn = KNearest::create(); knn->setDefaultK(10);//k個最近領 knn->setIsClassifier(true);//true為分類,false為迴歸 //訓練資料和標籤的結合 Ptr<TrainData>trainData = TrainData::create(traindata, ROW_SAMPLE, clas); //訓練 knn->train(trainData); //model->save("E:/image/KNearestModel.xml"); ////===============================預測部分===============================//// //預測分類 Mat src = imread("C:/Users/zhang/Desktop/opencv——例項/小案例/車牌檢測/基於adaboost機器學習/檢測到的車牌字元/4.jpg"); cvtColor(src, src, COLOR_BGR2GRAY); threshold(src, src, 0, 255, CV_THRESH_OTSU); imshow("原影象", src); Mat input; src = src.reshape(1, 1);//輸入圖片序列化 input.push_back(src); input.convertTo(input, CV_32FC1);//更改圖片資料的型別,必要,不然會出錯 float r = knn->predict(input); //對所有行進行預測 cout << r << endl; waitKey(0); return 0; }
結果: