OpenCv中的KNN
下面这段代码是 OpenCV-Python-Tutorial-中文版.pdf （P261）中的实现，
当前系列所有demo下载地址：
https://github.com/GaoRenBao/OpenCv4-Demo
https://gitee.com/fuckgrb/OpenCv4-Demo
不同编程语言对应的OpenCv版本以及开发环境信息如下：
语言 | OpenCv版本 | IDE |
C# | OpenCvSharp4.4.8.0.20230708 | Visual Studio 2022 |
C++ | OpenCv-4.5.5-vc14_vc15 | Visual Studio 2022 |
Python | OpenCv-Python (4.6.0.66) | PyCharm Community Edition 2022.1.3 |
KNN的详细介绍请参考PDF文档，这里只提供测试代码！！
进行KNN处理后的图：（总感觉好像不正常。。。）
C#版本代码如下：
【略】
C++版本代码如下：
【略】
Python版本代码如下
http://www.bogotobogo.com/python/OpenCV_Python/python_opencv3_Machine_Learning_Classification_K-nearest_neighbors_k-NN.php
import cv2
import numpy as np
import matplotlib.pyplot as plt
# Feature set containing (x,y) values of 25 known/training data
trainData = np.random.randint(0, 100, (25, 2)).astype(np.float32)
# Labels each one either Red or Blue with numbers 0 and 1
responses = np.random.randint(0, 2, (25, 1)).astype(np.float32)
# Take Red families and plot them
red = trainData[responses.ravel() == 0]
plt.scatter(red[:, 0], red[:, 1], 80, 'r', '^')
# Take Blue families and plot them
blue = trainData[responses.ravel() == 1]
plt.scatter(blue[:, 0], blue[:, 1], 80, 'b', 's')
plt.show()
# 测试数据被标记为绿色
# # 回值包括
# 1. 由 kNN算法计算得到的测 数据的类别标志0或1 。
# 如果你想使用最近邻算法 只需 将 k 置为 1 k 就是最近邻的数目。
# 2. k 个最近邻居的类别标志。
# 3. 每个最近邻居到测 数据的 离。
newcomer = np.random.randint(0, 100, (1, 2)).astype(np.float32)
plt.scatter(newcomer[:, 0], newcomer[:, 1], 80, 'g', 'o')
knn = cv2.ml.KNearest_create()
knn.train(trainData, cv2.ml.ROW_SAMPLE, responses)
ret, results, neighbours, dist = knn.findNearest(newcomer, 3)
print("result: ", results, "\n")
print("neighbours: ", neighbours, "\n")
print("distance: ", dist)
plt.show()
# 如果我们有大 的数据 测 可以直接传入一个数组。对应的结果 同样也是数组
# 10 new comers
newcomers = np.random.randint(0, 100, (10, 2)).astype(np.float32)
ret, results, neighbours, dist = knn.findNearest(newcomer, 3)
# The results also will contain 10 labels.
CSDN上的代码：
来源：https://blog.csdn.net/qq_41895747/article/details/87926205
import numpy as np
import cv2
import matplotlib.pyplot as plt
# 设置绘图属性
plt.style.use('ggplot')
# 生成训练数据
# 输入：每个点的个数和每个数据点的特征数
def generate_data(num_samples, num_features):
data_size = (num_samples, num_features)
data = np.random.randint(0, 100, size=data_size)
labels_size = (num_samples, 1)
labels = np.random.randint(0, 2, size=labels_size)
return data.astype(np.float32), labels # 确保将数据转换成np.float32
train_data, labels = generate_data(11, 2)
# 分红和蓝色分别作图
def plot_data(all_blue, all_red):
plt.scatter(all_blue[:, 0], all_blue[:, 1], c='b', marker='s', s=180)
plt.scatter(all_red[:, 0], all_red[:, 1], c='r', marker='^', s=180)
plt.xlabel('x coordinate (feature 1)')
plt.ylabel('y coordinate (feature 2)')
print("train_data:", train_data) # 观察数据集
# 平面化数据
bule = train_data[labels.ravel() == 0]
red = train_data[labels.ravel() == 1]
plot_data(bule, red)
plt.show()
# 训练分类器
knn = cv2.ml.KNearest_create() # 实例化
knn.train(train_data, cv2.ml.ROW_SAMPLE, labels)
# 利用findNearest发现新的数据点
newcomer, _ = generate_data(1, 2)
plot_data(bule, red)
plt.plot(newcomer[0, 0], newcomer[0, 1], 'go', markersize=14)
plt.show()
