在OpenCV Python中实现k近邻？

k近邻 ( kNN ) 是一种用于监督学习的简单分类算法。要在OpenCV中实现 kNN ，您可以按照下面给出的步骤进行操作:

• 导入所需的库 OpenCV, NumPy 和 Matplotlib

• 我们定义了两个类Red和Blue，每个类都有25个数字。然后使用随机生成器为这两个类生成训练数据。

• 接下来，我们为每个训练数据生成标签。红色家族数字的标签是0，蓝色家族成员的标签是1。

• 现在绘制红色和蓝色家庭成员。

• 使用随机生成器生成一个新的数字并绘制它。

• 初始化一个KNearest对象 knn 并用训练数据进行训练。

• 最后，计算新数字的 knn.findNearest() 以查找新成员的类标签、最近邻居的类标签和距离。

让我们看一下下面的例子来实现k-近邻。

例子

在这个例子中，我们为红色和蓝色家族各生成并绘制了25个训练数据。

# 导入所需的库
import cv2
import numpy as np
import matplotlib.pyplot as plt

# 包含25个已知/训练数据的特征集（x，y）值
trainData = np.random.randint(0,100,(25,2)).astype(np.float32)

# 表示每个人都是红色或蓝色，用0和1表示标签
responses = np.random.randint(0,2,(25,1)).astype(np.float32)

# 取出红色家庭并绘制它们
red = trainData[responses.ravel()==0]
plt.scatter(red[:,0],red[:,1],80,'r','^')

# 取出蓝色家庭并绘制它们
blue = trainData[responses.ravel()==1]
plt.scatter(blue[:,0],blue[:,1],80,'b','s')
plt.show()

输出

当您运行上述Python程序时，它将产生以下“ 输出 ”窗口−

例子

在这个例子中，我们为红色和蓝色家族各生成并绘制了25个训练数据。然后我们生成一个新数字并使用K近邻算法对其进行分类，将其归类为红色或蓝色的家族成员。

# 导入必要的库
import cv2
import numpy as np
import matplotlib.pyplot aplt

# 特征集，包含25个已知/训练数据的（x,y）值
trainData = np.random.randint(0,100,(25,2)).astype(np.float32)

# 将每个数据标记为红色或蓝色，使用0或1进行编码
responses = np.random.randint(0,2,(25,1)).astype(np.float32)

# 将标记为红色的数据进行绘图
red = trainData[responses.ravel()==0]
plt.scatter(red[:,0],red[:,1],80,'r','^')

# 将标记为蓝色的数据进行绘图
blue = trainData[responses.ravel()==1]
plt.scatter(blue[:,0],blue[:,1],80,'b','s')

# 构建一个新的数据点
newcomer = np.random.randint(0,100,(1,2)).astype(np.float32)
plt.scatter(newcomer[:,0],newcomer[:,1],80,'g','o')

# 构建k-NN分类器模型并进行训练
knn = cv2.ml.KNearest_create()
knn.train(trainData, cv2.ml.ROW_SAMPLE, responses)

# 对新的数据点进行分类预测，并返回距离最近的三个邻居的标签、对应的数据和距离
ret, results, neighbors ,dist = knn.findNearest(newcomer, 3)

# 输出预测结果以及邻居的标签、对应的数据和距离
print("Label of New Member: {}\n".format(results) )
print("Nearest Neighbors: {}\n".format(neighbors) )
print("Distance of Each Neighbor: {}\n".format(dist) )

# 显示绘制的图形
plt.show()

输出结果

当您运行上述Python程序时，将产生以下输出： 输出 −

Label of New Member: [[1.]]
Nearest Neighbors: [[0. 1. 1.]]
Distance of Each Neighbor: [[ 85. 85. 405.]]

结果显示，该点属于蓝色家族，因为最近的三个邻居中有两个属于蓝色家族。它还会显示以下 输出 窗口：