牙叔教程 简单易懂
上面这张图片网上说是opencv自带的, 我下载的4.5.2的opencv的安卓版本, 就没找到
knn简介
百科简介
邻近算法，或者说K最近邻（KNN，K-NearestNeighbor）分类算法是数据挖掘分类技术中最简单的方法之一。所谓K最近邻，就是K个最近的邻居的意思，说的是每个样本都可以用它最接近的K个邻近值来代表。近邻算法就是将数据集合中每一个记录进行分类的方法 。
网友大奸猫对knn的算法描述
S1 算距离
给定未知样本点A，计算它与训练集中的每个样本点的距离
S2 找邻居
将S1计算好的距离升序排列，取前k个最近的样本点作为A的邻居
S3 确定分类
这k个邻居中，包含邻居数最多的类别作为A的类别
knn示意图
目标是黄色多边形, 距离黄色多边形最近的3个邻居, 有两个是红色, 一个是蓝色,
按照近朱者赤近墨者黑, 少数服从多数来推断, 就认为黄色多边形是红色
也可以说是, 你身边那种人多, 你就会成为那种人
算法常用的距离
曼哈顿距离（城市街区距离）
欧式距离
马氏距离（闵可夫斯基距离）
余弦距离
切比雪夫距离
海明距离
汉明距离
编辑距离
autojs版本
8.8.16-0
本版本自带3.4.3的opencv
knn简要流程
- 图片是一大张, 所以第一步是切割图片, 每个图片只包含一个数字
- 训练
- 预测
训练
训练就是把特征和标签一一对应起来, 再对数据做一些处理,
这里主要说一下特征提取,
特征: 取图片每个像素点的数值, 一张图片是20X20, 就是400个像素, 并且图片是一个通道
关键代码:
let tempData = Imgcodecs.imread(filePath, 0); // 一个通道 tempData = tempData.reshape(0, 1); // 矩阵变为一行 tempData.convertTo(tempData, CvType.CV_32F); // 数据变为浮点数 tempData.copyTo(tmp); // 保存特征 trainlabel.put(0, 0, trainClasses); // 打标签 knn.train(trainData, Ml.ROW_SAMPLE, trainlabel); // 训练
预测
预测就是拿一小部分数据测试,
训练的时候留一小部分数据, 不参加训练, 而是用于预测
预测, 和训练一样,
提取图片特征, 拿去和训练好的数据计算距离,
然后返回匹配度最高的值
关键代码
let tempData = Imgcodecs.imread(filePath, 0); // 一个通道 tempData = tempData.reshape(0, 1); // 矩阵变为一行 tempData.convertTo(tempData, CvType.CV_32F); // 数据变为浮点数 let response = knn.findNearest(tempData, k, nearests); // 计算最佳匹配
统计
log("测试总数: " + testNum); log("正确分类数: --> " + trueNum); log("准确率：" + (trueNum / testNum) * 100 + "%");
Mat
mat是opencv常用的数据类型, 理解Mat的格式后, 对理解opencv代码很有帮助
修改Mat
autojs的Mat没有at方法, 那么修改数据就用get和put
runtime.images.initOpenCvIfNeeded(); log(new org.opencv.core.Mat().getClass()); delete org.opencv.core.Mat; log(new org.opencv.core.Mat().getClass()); importClass(org.opencv.core.Mat); importClass(org.opencv.core.CvType); //32位浮点数 1个channel let trainlabel = Mat.ones(100, 1, CvType.CV_32FC1); for (var i = 0; i < 100; i++) { log("修改前" + i + ": ", trainlabel.get(i, 0)); let item = util.java.array("float", 1); item[0] = i; log(trainlabel.put(i, 0, item)); log("修改后" + i + ": ", trainlabel.get(i, 0)); }
打印Mat常用属性
let trainlabel = Mat.ones(100, 1, CvType.CV_32FC1); let infoList = [ "\n", "row: " + mat.rows(), "col: " + mat.cols(), "height: " + mat.height(), "width: " + mat.width(), "dim: " + mat.dims(), "channel: " + mat.channels(), "depth: " + mat.depth(), ]; // dims：Mat所代表的矩阵的维度，如 3 * 4 的矩阵为 2 维， 3 * 4 * 5 的为3维 // channels：通道，矩阵中的每一个矩阵元素拥有的值的个数，比如说 3 * 4 矩阵中一共 12 个元素，如果每个元素有三个值，那么就说这个矩阵是 3 通道的，即 channels = 3。常见的是一张彩色图片有红、绿、蓝三个通道 // depth：深度，即每一个像素的位数(bits)，在opencv的Mat.depth()中得到的是一个 0 – 6 的数字，分别代表不同的位数：enum { CV_8U=0, CV_8S=1, CV_16U=2, CV_16S=3, CV_32S=4, CV_32F=5, CV_64F=6 }; 可见 0和1都代表8位， 2和3都代表16位，4和5代表32位，6代表64位 log(infoList.join("\n")); // row: 100 // col: 1 // height: 100 // width: 1
把Mat想象成一堵墙就可以了,
横着的是row, 竖着的是col,
有多少row, 就有多height,
有多少col, 就有多width
Mat参数一般是row前, col后
先看数据在第几行, 再看数据在第几列
也符合人的思维
我们读书也是从左往右, 从上往下
古人的话估计是先看第几列, 再看第几行,
因为古人的书是竖着写的
打印Mat具体的数据
runtime.images.initOpenCvIfNeeded(); importClass(org.opencv.core.Mat); importClass(org.opencv.core.CvType); // 3行2列 let trainlabel = Mat.ones(3, 2, CvType.CV_32FC1); let width = trainlabel.width(); let height = trainlabel.height(); let arr = []; // height和行数 数值一样 // 可以认为 hegith ⇔ 行数 for (var i = 0; i < height; i++) { let childArr = []; for (var j = 0; j < width; j++) { let item = trainlabel.get(i, j); childArr.push(item); } arr.push(childArr); } log(JSON.stringify(arr, null, " ")); // [ // [[1.0], [1.0]], // [[1.0], [1.0]], // [[1.0], [1.0]] // ]
声明
部分内容来自网络
本教程仅用于学习, 禁止用于其他用途
