OpenCV KNN 之 使用方法

http://blog.csdn.net/WL2002200/article/details/43149229

OpenCV 中KNN构造函数如下。

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

训练函数为：

1. C++: bool CvKNearest::train(
2. const Mat& trainData, //训练数据
3. const Mat& responses,//对应的响应值
4. const Mat& sampleIdx=Mat(),//样本索引
5. bool isRegression=false,//是否是回归，否则是分类问题
6. int maxK=32, //最大K值
7. 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：

1. C++: float CvKNearest::find_nearest(
2. const Mat& samples,//按行存储的测试数据
3. int k, //K 值
4. Mat* results=0,//预测结果
5. const float** neighbors=0, //近邻指针向量
6. Mat* neighborResponses=0, //近邻值
7. Mat* dist=0 //距离矩阵) const
8. C++: float CvKNearest::find_nearest(
9. const Mat& samples,
10. int k,
11. Mat& results,
12. Mat& neighborResponses,
13. Mat& dists) const

还有一些其他辅助函数，无关紧要，略去了。

opencv 有KNN 的示例，改写成C++ 版本如下：

1. #include <opencv2/core/core.hpp>
2. #include <opencv2/highgui/highgui.hpp>
3. #include <opencv2/ml/ml.hpp>
4. int main( )
5. {
6. const int K = 10;
7. int i, j, k, accuracy;
8. float response;
9. int train_sample_count = 100;
10. cv::RNG rng_state(-1);
11. cv::Mat trainData(train_sample_count,2,CV_32FC1);
12. cv::Mat trainClasses(train_sample_count,1,CV_32FC1);
13. cv::Mat img(cv::Size(500,500),CV_8UC3,cv::Scalar::all (0));
14. float _sample[2];
15. cv::Mat sample(1,2,CV_32FC1,_sample);
16. cv::Mat trainData1, trainData2, trainClasses1, trainClasses2;
17. // form the training samples
18. trainData1 = trainData.rowRange (0,train_sample_count/2);
19. rng_state.fill (trainData1,CV_RAND_NORMAL,cv::Scalar(200,200),cv::Scalar(50,50));
20. trainData2 = trainData.rowRange (train_sample_count/2,train_sample_count);
21. rng_state.fill (trainData2,CV_RAND_NORMAL,cv::Scalar(300,300),cv::Scalar(50,50));
22. trainClasses1 = trainClasses.rowRange (0,train_sample_count/2);
23. trainClasses1.setTo (1);
24. trainClasses2 = trainClasses.rowRange (train_sample_count/2,train_sample_count);
25. trainClasses2.setTo (2);
26. // learn classifier
27. CvKNearest knn( trainData, trainClasses, cv::Mat(), false, K );
28. cv::Mat nearests( 1, K, CV_32FC1);
29. for( i = 0; i < img.rows; i++ )
30. {
31. for( j = 0; j < img.cols; j++ )
32. {
33. sample.at<float>(0,0) = (float)j;
34. sample.at<float>(0,1) = (float)i;
35. // estimate the response and get the neighbors' labels
36. response = knn.find_nearest(sample,K,0,0,&nearests,0);
37. // compute the number of neighbors representing the majority
38. for( k = 0, accuracy = 0; k < K; k++ )
39. {
40. if( nearests.at<float>(0,k) == response)
41. accuracy++;
42. }
43. // highlight the pixel depending on the accuracy (or confidence)
44. img.at<cv::Vec3b>(i,j) = response == 1 ?
45. (accuracy > 5 ? cv::Vec3b(0,0,180) : cv::Vec3b(0,120,180)) :
46. (accuracy > 5 ? cv::Vec3b(0,180,0) : cv::Vec3b(0,120,120));
47. }
48. }
49. // display the original training samples
50. for( i = 0; i < train_sample_count/2; i++ )
51. {
52. cv::Point pt;
53. pt.x = cvRound(trainData1.at<float>(i,0));
54. pt.y = cvRound(trainData1.at<float>(i,1));
55. cv::circle (img,pt,2,cv::Scalar(0,0,255),1,CV_FILLED);
56. pt.x = cvRound(trainData2.at<float>(i,0));
57. pt.y = cvRound(trainData2.at<float>(i,1));
58. cv::circle (img,pt,2,cv::Scalar(0,255,0),1,CV_FILLED);
59. }
60. cv::namedWindow( "classifier result", 1 );
61. cv::imshow( "classifier result", img );
62. cv::waitKey(0);
63. return 0;
64. }