快捷導(dǎo)航

openCV中KNN算法的實(shí)現(xiàn)

更新時(shí)間：2025年04月14日 10:03:10 作者：2201_75491841

KNN算法是一種簡(jiǎn)單且常用的分類算法,本文主要介紹了openCV中KNN算法的實(shí)現(xiàn),文中通過示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

OpenCV 是一個(gè)開源的跨平臺(tái)計(jì)算機(jī)視覺庫，它提供了各種用于圖像處理、計(jì)算機(jī)視覺任務(wù)的算法和工具，涵蓋圖像濾波、特征提取、目標(biāo)檢測(cè)、圖像分割、視頻分析等眾多領(lǐng)域，廣泛應(yīng)用于計(jì)算機(jī)視覺相關(guān)的科研和工業(yè)項(xiàng)目中，可幫助開發(fā)者快速實(shí)現(xiàn)各種視覺處理功能。

KNN（K-最近鄰）算法是一種簡(jiǎn)單且常用的分類算法。其核心思想是：如果一個(gè)樣本在特征空間中的K個(gè)最相似的樣本中的大多數(shù)屬于某一個(gè)類別，則該樣本也屬于這個(gè)類別

KNN算法流程

計(jì)算距離：使用向量之間的距離來衡量樣本之間的相似度。常見的距離計(jì)算公式有歐式距離、曼哈頓距離等。
升序排序：根據(jù)計(jì)算好的距離進(jìn)行升序排序。
取前K樣本：選取距離最近的前K個(gè)樣本。
加權(quán)平均：根據(jù)距離對(duì)樣本進(jìn)行加權(quán)計(jì)算，距離越近，權(quán)重越高。

使用OpenCV實(shí)現(xiàn)KNN

以下是一張2000X1000像素的圖片，包含5000個(gè)數(shù)字，我們將左邊2500個(gè)數(shù)劃分訓(xùn)練集，右邊2500個(gè)數(shù)劃分為測(cè)試集，構(gòu)建模型訓(xùn)練結(jié)果

首先對(duì)圖像進(jìn)行切割并劃分訓(xùn)練集和測(cè)試集

import numpy as np
import cv2

img=cv2.imread('digits.png')#讀取名為 digits.png 的圖像文件。
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#將圖像轉(zhuǎn)換為灰度圖

cells=[np.hsplit(row,100) for row in np.vsplit(gray,50)]#將圖像垂直分割50行，水平分割100列
x=np.array(cells)
train=x[:,:50]#劃分訓(xùn)練集
test=x[:,50:100]#劃分測(cè)試集

#將數(shù)據(jù)展平并轉(zhuǎn)換為浮點(diǎn)型
?train_new=train.reshape(-1,400).astype(np.float32)
test_new=test.reshape(-1,400).astype(np.float32)

創(chuàng)建標(biāo)簽并對(duì)模型進(jìn)行訓(xùn)練

k=np.arange(10)#生成一個(gè)數(shù)組 [0, 1, 2, ..., 9]
labels=np.repeat(k,250)#將每個(gè)數(shù)字重復(fù)250次，生成標(biāo)簽數(shù)組，形狀為 (2500,)
train_labels=labels[:,np.newaxis]#將標(biāo)簽數(shù)組轉(zhuǎn)換為列向量，形狀為 (2500, 1)
test_labels=np.repeat(k,250)[:,np.newaxis]

knn=cv2.ml.KNearest_create()#創(chuàng)建KNN模型
knn.train(train_new,cv2.ml.ROW_SAMPLE,train_labels)#使用訓(xùn)練數(shù)據(jù)和標(biāo)簽訓(xùn)練模型

測(cè)試模型，計(jì)算準(zhǔn)確率

ret,result,neighbours,dist=knn.findNearest(test_new,k=3)#對(duì)測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè)，k=3 表示使用3個(gè)最近鄰居。ret：是否成功執(zhí)行。result：預(yù)測(cè)結(jié)果。neighbours：最近的鄰居。dist：與鄰居的距離。
print(ret,result,neighbours,dist)

#計(jì)算準(zhǔn)確率
matches=result==test_labels
correct=np.count_nonzero(matches)
accuracy=correct*100.0/result.size
print("當(dāng)前使用KNN識(shí)別手寫數(shù)字的準(zhǔn)確率為{}%。".format(accuracy))

最終代碼輸出得到以下結(jié)果