KNN算法进行图像分类(涉及到计算Dense SIFT描述子)

最新推荐文章于 2024-10-27 17:00:48 发布

原创

最新推荐文章于 2024-10-27 17:00:48 发布 · 1k 阅读

3 ·

CC 4.0 BY-SA版权

本文介绍了KNN算法的工作原理及其在图像分类中的应用，特别是结合稠密SIFT描述子进行手势识别。通过调整K值和稠密SIFT的参数，观察分类效果和正确率变化，实验结果显示适当选择参数能提高分类准确性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章目录

KNN算法可视化
稠密SIFT描述子
- 1.原理
- 2.实现代码
图像分类之手势识别
- 替换自己的图片进行实验
运行代码过程中出现的问题

KNN算法可视化

KNN(K-Neareast Neighbor,K邻近分类法)，这种算法是先将训练集中的对象标记好类别，然后把要分类的对象与训练集中的标记好的对象进行对比，并由k近邻对指派到哪个类进行投票。
这种算法需要预先设定k值，k值的选择会影响分类的性能；并且这种算法要求将整个训练集存储起来，如果训练集非常大，搜索起来就非常慢。但是这种算法在采用何种距离度量方面是没有限制的。

from numpy.random import randn
import pickle
from pylab import *

n = 200
# two normal distributions
class_1 = 0.6 * randn(n,2) 
class_2 = 1.2 * randn(n,2) + array([1,6])
labels = hstack((ones(n),-ones(n)))
# save with Pickle
#with open('points_normal.pkl', 'w') as f:
with open('points_normal_test.pkl', 'wb') as f:
    pickle.dump(class_1,f)
    pickle.dump(class_2,f)
    pickle.dump(labels,f)
# normal distribution and ring around it
print ("save OK!")
class_1 = 0.2 * randn(n,2)
r = 0.9 * randn(n,1) + 6
angle = 2.5*pi * randn(n,1)
class_2 = hstack((r*cos(angle)/2,r*sin(angle)/4))
labels = hstack((ones(n),-ones(n)))
# save with Pickle
#with open('points_ring.pkl', 'w') as f:
with open('points_ring_test.pkl', 'wb') as f:
    pickle.dump(class_1,f)
    pickle.dump(class_2,f)
    pickle.dump(labels,f)

print ("save OK!")

上述代码创建了两个不同的二维点集，每个点集有两类。
第一个二维点集中的class_1的数据集原本是200行2列的随机正态分布数据，之后将每个数据缩小了0.6倍。class_2的数据集原本是200行2列的随机正态分布数据，之后将每个数据扩大了1.2倍，再将第一列的数据加上1，第二列的数据加上2。将前200个数据标签设置为1，后200个数据标签设置为-1。
第二个二维点集中的class_1的数据集200行2列的随机正态分布数据，之后将每个数据缩小了0.2倍。class_2数据集是类似于长轴长度为2，短轴长度为根号2的椭圆的分布形状。将前200个数据标签设置为1，后200个数据标签设置为-1。

import pickle
from pylab import *
from PCV.classifiers import knn
from PCV.tools import imtools

pklist=['points_normal.pkl','points_ring.pkl']

figure()

# load 2D points using Pickle
for i, pklfile in enumerate(pklist):
    with open(pklfile, 'rb') as f:
        class_1