学习KNN（二）KNN算法手写数字识别的OpenCV实现

chaibubble

发布于 2018-01-08 10:44:15

2K0

发布于 2018-01-08 10:44:15

文章被收录于专栏：深度学习与计算机视觉深度学习与计算机视觉

学习KNN（一）图像分类与KNN原理

学习KNN（二）KNN算法手写数字识别的OpenCV实现

学习KNN（三）KNN+HOG实现手写数字识别

简介

在OpenCV的安装文件路径/opencv/sources/samples/data/digits.png下，有这样一张图：

图片大小为1000*2000,有0-9的10个数字，每5行为一个数字，总共50行，共有5000个手写数字，每个数字块大小为20*20。为了后续方便处理，我们先写一段小程序把这5000个图截取出来：

#include <opencv2/opencv.hpp>
#include <iostream>

 using namespace std;
 using namespace cv;

 int main()
 {
     char ad[128]={0};
     int  filename = 0,filenum=0; 
     Mat img = imread("digits.png");
     Mat gray;
     cvtColor(img, gray, CV_BGR2GRAY);
     int b = 20;
     int m = gray.rows / b;   //原图为1000*2000
     int n = gray.cols / b;   //裁剪为5000个20*20的小图块

     for (int i = 0; i < m; i++)
     {
         int offsetRow = i*b;  //行上的偏移量
         if(i%5==0&&i!=0)
         {
             filename++;
             filenum=0;
         }
         for (int j = 0; j < n; j++)
         {
                int offsetCol = j*b; //列上的偏移量
             sprintf_s(ad, "D:\\data\\%d\\%d.jpg",filename,filenum++);
             //截取20*20的小块
             Mat tmp;
             gray(Range(offsetRow, offsetRow + b), Range(offsetCol, offsetCol + b)).copyTo(tmp);
             imwrite(ad,tmp);
         }
     }
     return 0;
 }

截取之后每个以数字命名的文件夹内就都有500张图片了，需要注意的是OpenCV的imwrite是没有自动创建文件夹功能的，所以路径应该提前存在。

OpenCV提供的KNN算法构造函数：

C++: CvKNearest::CvKNearest()  
C++: CvKNearest::CvKNearest(const Mat& trainData, const Mat& responses, const Mat& sam-  
pleIdx=Mat(), bool isRegression=false, int max_k=32 )

训练函数为：

C++: bool CvKNearest::train(  
    const Mat& trainData, //训练数据  
    const Mat& responses,//对应的响应值  
    const Mat& sampleIdx=Mat(),//样本索引  
    bool isRegression=false,//是否是回归，否则是分类问题  
    int maxK=32, //最大K值  
    bool updateBase=false//是否更新数据，是，则maxK需要小于原数据大小 )

查找函数为：

C++: float CvKNearest::find_nearest(  
const Mat& samples,//按行存储的测试数据  
 int k, //K 值  
Mat* results=0,//预测结果  
const float** neighbors=0, //近邻指针向量  
Mat* neighborResponses=0, //近邻值  
Mat* dist=0 //距离矩阵) const  

C++: float CvKNearest::find_nearest(  
const Mat& samples,  
int k,  
Mat& results,  
Mat& neighborResponses,  
Mat& dists) const

但是由于KNN的特点，其实并没有train的功能，所以train只是相当于存储下来训练样本，而且会在执行构造函数中执行训练过程。

在之前，我们已经把5000张图分别放进了10个文件夹里了，现在我们把其中的每个类别中前400张拿出来做训练数据，其余的测试，代码如下：

#include <iostream>
#include <opencv2/opencv.hpp>
#include <opencv2/ml/ml.hpp>  
using namespace std;
using namespace cv;

char ad[128]={0};

int main()
{
    Mat traindata ,trainlabel;
    int k=5,testnum=0,truenum=0;
    //读取训练数据 4000张
    for (int i = 0; i < 10; i++)
     {
         for (int j =0;j<400;j++)
         {
              sprintf_s(ad, "D:\\data\\%d\\%d.jpg",i,j);
              Mat srcimage = imread(ad);
              srcimage = srcimage.reshape(1,1);
              traindata.push_back(srcimage);
              trainlabel.push_back(i);
         }
     }
       traindata.convertTo(traindata,CV_32F);
      CvKNearest knn( traindata, trainlabel, cv::Mat(), false, k );  
      cv::Mat nearests( 1, k, CV_32F);  
      //读取测试数据  1000张
      for (int i = 0; i < 10; i++)
      {
          for (int j =400;j<500;j++)
          {
              testnum++;
              sprintf_s(ad, "D:\\data\\%d\\%d.jpg",i,j);
              Mat testdata = imread(ad);
              testdata = testdata.reshape(1,1);
              testdata.convertTo(testdata,CV_32F);
              int  response = knn.find_nearest(testdata,k,0,0,&nearests,0); 
              if (response==i)
              {
                  truenum++;
              }
          }
      }
      cout<<"测试总数"<<testnum<<endl;
      cout<<"正确分类数"<<truenum<<endl;
      cout<<"准确率："<<(float)truenum/testnum*100<<"%"<<endl;
      return 0;
}

在上述代码中，用的特征就是每个位置的像素值，一个样本拉成一维后的列是20*20*3=1200。