这篇博客介绍了OpenCV中K近邻算法的应用和原理，包括如何在已有的训练数据上进行识别，主要通过计算样本与图像间的欧氏距离来确定相似度。文章详细阐述了欧氏距离的概念，并在不同维度下的计算方法。
http://blog.youkuaiyun.com/u010477528/article/details/53707845
该篇博文中有对 K 近邻的应用讲解，本文简单说下 K 近邻原理。
在已拿到 traindata 的基础上，如何识别。
主要计算样本与图像间的距离，而距离主要有以下。
1、欧氏距离(EuclideanDistance)
欧氏距离是最易于理解的一种距离计算方法，源自欧氏空间中两点间的距离公式。
(1)二维平面上两点a(x1,y1)与b(x2,y2)间的欧氏距离：
(2)三维空间两点a(x1,y1,z1)与b(x2,y2,z2)间的欧氏距离：
(3)两个n维向量a(x11,x12,…,x1n)与 b(x21,x22,…,x2n)间的欧氏距离：
也可以用表示成向量运算的形式：
转换为当前代码中则为计算样本与图像两者之间的差异度，灰度值依上述方式计算，得到一个相似值。
2、
扫一扫
119
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
