opencv——基于KNN的数字识别

KNN即K个最近邻，网上有很多关于KNN的文章。我大概总结下核心：假设有A图片，让A与训练样本依次计算相似度（可用欧式距离），挑选出K个与A图片相似度最大的图片，这K个图片中，哪种类型最多那么定义A图片也属于该类型。

首先，需要有数字的训练样本

https://download.youkuaiyun.com/download/weixin_41721222/10784418

 

KNN的数字识别代码与基于SVM的数字识别大体一致

https://blog.youkuaiyun.com/weixin_41721222/article/details/84953788

核心思路：

1：获取一张训练图片后会将图片特征写入到容器中，紧接着会将标签写入另一个容器中，这样就保证了特征和标签是一一对应的关系。

2：特征可用LBP,HOG等提取，但是我们这里主要说KNN训练过程，所以用最简单的方法，即把训练图片的全部像素序列成一行像素作为特征，用reshape（1，1）。

3：图片特征数据得转换成CV_32FC1的数据格式。

4：所有训练样本与测试样本的尺寸都应该一样（这里我都选择20*20）。

下面代码是opencv3和C++

可以根据自己需要修改训练样本类别，数目，尺寸。oss的训练样本路径，src的检测图片路径。

 

/// 字符识别——基于模版匹配.cpp: 定义控制台应用程序的入口点。
//


#include "stdafx.h"
#include<opencv2/opencv.hpp>
#include<iostream>

using namespace std;
using namespace cv;
using namespace ml;
ostringstream oss;
int num = -1;
Mat dealimage;
Mat src;
int k = 0;
Mat yangben_gray;
Mat yangben_thresh;

int main()
{

	////===============================读取训练数据===============================////
	const int classsum = 10;//图片共有10类
	const int imagesSum =500;//每类有500张图片			   
	const int imageRows = 20;//图片尺寸
	const int imageCols = 20;
	//训练数据，每一行一个训练图片
	Mat trainingData;
	//训练样本标签
	Mat labels;
	//最终的训练样本标签
	Mat clas;
	//最终的训练数据
	Mat traindata;
	//////////////////////从指定文件夹下提取图片//////////////////
	for (int p = 0; p < classsum; p++)
	{
		oss << "C:/Users/zhang/Desktop/opencv——实例/小案例/车牌检测/基于adaboost机器学习/模版匹配样本/";
		num += 1;//num从0到9
		int label = num;
		oss << num << "/*.jpg";//图片名字后缀，oss可以结合数字与字符串
		string pattern = oss.str();//oss.str()输出oss字符串，并且赋给pattern
		oss.str("");//每次循环后把oss字符串清空
		vector<Mat> input_images;
		vector<String> input_images_name;
		glob(pattern, input_images_name, false);
		//为false时，仅仅遍历指定文件夹内符合模式的文件，当为true时，会同时遍历指定文件夹的子文件夹
		//此时input_images_name存放符合条件的图片地址
		int all_num = input_images_name.size();//文件下总共有几个图片
											   //cout << num << ":总共有" << all_num << "个图片待测试" << endl;

		for (int i = 0; i < imagesSum; i++)
		{
			cvtColor(imread(input_images_name[i]), yangben_gray, COLOR_BGR2GRAY);
			threshold(yangben_gray, yangben_thresh, 0, 255, THRESH_OTSU);
			input_images.push_back(yangben_thresh);
			//循环读取每张图片并且依次放在vector<Mat> input_images内
			dealimage = input_images[i];


			//注意：我们简单粗暴将整个图的所有像素作为了特征，因为我们关注更多的是整个的训练过程
			//，所以选择了最简单的方式完成特征提取工作，除此中外，
			//特征提取的方式有很多，比如LBP，HOG等等
			//我们利用reshape()函数完成特征提取,
			//reshape(1, 1)的结果就是原图像对应的矩阵将被拉伸成一个一行的向量，作为特征向量。
			dealimage = dealimage.reshape(1, 1);//图片序列化
			trainingData.push_back(dealimage);//序列化后的图片依次存入
			labels.push_back(label);//把每个图片对应的标签依次存入
		}
	}

	//图片数据和标签转变下
	Mat(trainingData).copyTo(traindata);//复制
	traindata.convertTo(traindata, CV_32FC1);//更改图片数据的类型，必要，不然会出错
	Mat(labels).copyTo(clas);//复制

	////===============================创建KNN模型===============================////
	Ptr<KNearest>knn = KNearest::create();
	knn->setDefaultK(10);//k个最近领
	knn->setIsClassifier(true);//true为分类，false为回归
	//训练数据和标签的结合
	Ptr<TrainData>trainData = TrainData::create(traindata, ROW_SAMPLE, clas);
	//训练
	knn->train(trainData);

	//model->save("E:/image/KNearestModel.xml"); 

	////===============================预测部分===============================////
	//预测分类
	Mat src = imread("C:/Users/zhang/Desktop/opencv——实例/小案例/车牌检测/基于adaboost机器学习/检测到的车牌字符/4.jpg");
	cvtColor(src, src, COLOR_BGR2GRAY);
	threshold(src, src, 0, 255, CV_THRESH_OTSU);
	imshow("原图像", src);
	Mat input;
	src = src.reshape(1, 1);//输入图片序列化
	input.push_back(src);
	input.convertTo(input, CV_32FC1);//更改图片数据的类型，必要，不然会出错

	float r = knn->predict(input);   //对所有行进行预测
	cout << r << endl;
	waitKey(0);
	return 0;
}

 

 

结果：