py4CV例子1猫狗大战和Knn算法

1、什么是猫狗大战；

数据集来源于Kaggle（一个为开发商和数据科学家提供举办机器学习竞赛、托管数据库、编写和分享代码的平台），原数据集有12500只猫和12500只狗，分为训练、测试两个部分。

2、什么是Knn算法：

K最近邻（k-Nearest Neighbor，KNN）基本思想：如果一个样本在特征空间中的k个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别，则该样本也属于这个类别。

    

如果用比较平实的话来说，就是“我们已经存在了一个带标签的数据库，现在输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似（最近邻）的分类标签。”

上图中的对象可以分成两组，蓝色方块和红色三角。每一组也可以称为一个类。我们可以把所有的这些对象看成是一个城镇中房子，而所有的房子分别,,(,)).astype(np.float32)

,,(,)).astype(np.float32)

]

plt.scatter(red[:,],red[:,],,]

plt.scatter(blue[:,],blue[:,],,,,(,)).astype(np.float32)

plt.scatter(newcomer[:,],newcomer[:,],,)

) )]

].reshape(-,).astype(np.float32) :].reshape(-,).astype(np.float32) )

train_labels = np.repeat(k,)[:,np.newaxis]

//直接用训练的结果进行测试

test_labels = train_labels.copy()

)

)

为

cap = cv2.VideoCapture()

全部代码

) )]

train = np.array(cells).reshape(-,).astype(np.float32)

trainLabel = np.repeat(np.arange(),)

,).astype(np.float32)

train = np.vstack((train,newData))

trainLabel = np.hstack((trainLabel,newDataLabel))

knn.train(train,cv2.ml.ROW_SAMPLE,trainLabel)

)

gray2 = cv2.erode(gray2,)

edges = cv2.absdiff(gray,gray2)

x = cv2.Sobel(edges,cv2.CV_16S,,)

y = cv2.Sobel(edges,cv2.CV_16S,,)

absX = cv2.convertScaleAbs(x)

absY = cv2.convertScaleAbs(y)

dst = cv2.addWeighted(absX,)

ret, ddst = cv2.threshold(dst,thresValue,,cv2.THRESH_BINARY)

im, contours, hierarchy = cv2.findContours(ddst,cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

:

rois.append((x,y,w,h))

, cv2.THRESH_BINARY)

th = cv2.resize(th,(,))

out = th.reshape(-,).astype(np.float32)

ret, result, neighbours, dist = knn.findNearest(out, )

][]), th

**n).reshape(-,)

*i:*(i+),:] = images[i]

)

*

height =

videoFrame = cv2.VideoWriter(,(

]

rois, edges = findRoi(frame, )

digits = []

)

digits.append(cv2.resize(th,(,)))

cv2.rectangle(frame, (x,y), (x+w,y+h), (,,), )

cv2.putText(frame, , (,,), )

newEdges = cv2.cvtColor(edges, cv2.COLOR_GRAY2BGR)

newFrame = np.hstack((frame,newEdges))

cv2.imshow() & ,*Nd))

cv2.imshow(

) & : )

])

labels, testData = np.hsplit(test,[])

)

correct = np.count_nonzero(result == labels)

accuracy = correct*

]==)

)

]

all_label_list = temp[:, ]

n_sample = ,))

tra_images.append(image)

tra_labels = all_label_list[:n_train]

tra_labels = [,))

val_images.append(image)

val_labels = all_label_list[n_train:]

val_labels = [,*).astype(np.float32) ,*).astype(np.float32)

)

# Now we check the accuracy of classification

# For that, compare the result with test_labels and check which are wrong

np_val_labels = np.array(val_labels)[:,np.newaxis]

matches = result == np_val_labels

correct = np.count_nonzero(matches)

accuracy = correct*100.0/result.size

print(accuracy)

结果，在1000狗1000猫的数据集上，是55.55的准确率，而在全部的数据集上，是56.2的准确率。证明两点

knn是有一定用途的；但是在不对特征进行详细分析的基础上，其准确率很难得到较大提高。

Knn的例子到此告以段落。

来自为知笔记(Wiz)

附件列表