数据结构
网络
关系型数据库管理系统(RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
服装设计
法学在OpenCV Python中实现k近邻算法？
k近邻算法(kNN)是一种简单的监督学习分类算法。要在OpenCV中实现kNN，您可以按照以下步骤操作：
导入所需的库OpenCV、NumPy和Matplotlib。
我们定义两个类别“红色”和“蓝色”，每个类别各有25个数。然后使用随机生成器为这两个类别生成训练数据。
接下来，我们为每个训练数据生成标签。“红色”类别数字的标签为0，“蓝色”类别数字的标签为1。
现在绘制“红色”和“蓝色”类别成员。
使用随机生成器生成一个新数字并绘制它。
初始化一个KNearest对象knn并用训练数据对其进行训练。
最后，计算knn.findNearest()以查找新成员的类别标签、类别标签和最近邻的距离。
让我们看看下面的例子来实现k近邻算法。
示例
在这个例子中，我们为红色和蓝色类别分别生成和绘制25个训练数据。
# import required libraries import cv2 import numpy as np import matplotlib.pyplot as plt # Feature set containing (x,y) values of 25 known/training data trainData = np.random.randint(0,100,(25,2)).astype(np.float32) # Labels each one either Red or Blue with numbers 0 and 1 responses = np.random.randint(0,2,(25,1)).astype(np.float32) # Take Red families and plot them red = trainData[responses.ravel()==0] plt.scatter(red[:,0],red[:,1],80,'r','^') # Take Blue families and plot them blue = trainData[responses.ravel()==1] plt.scatter(blue[:,0],blue[:,1],80,'b','s') plt.show()
输出
运行上面的Python程序后，将生成以下输出窗口：
示例
在这个例子中，我们为红色和蓝色类别分别生成和绘制25个训练数据。现在我们生成一个新数字，并应用k近邻算法将新数字分类到红色或蓝色类别。
# import required libraries import cv2 import s numpy as np import matplotlib.pyplot aplt # Feature set containing (x,y) values of 25 known/training data trainData = np.random.randint(0,100,(25,2)).astype(np.float32) # Labels each one either Red or Blue with numbers 0 and 1 responses = np.random.randint(0,2,(25,1)).astype(np.float32) # Take Red families and plot them red = trainData[responses.ravel()==0] plt.scatter(red[:,0],red[:,1],80,'r','^') # Take Blue families and plot them blue = trainData[responses.ravel()==1] plt.scatter(blue[:,0],blue[:,1],80,'b','s') # take new point newcomer = np.random.randint(0,100,(1,2)).astype(np.float32) plt.scatter(newcomer[:,0],newcomer[:,1],80,'g','o') knn = cv2.ml.KNearest_create() knn.train(trainData, cv2.ml.ROW_SAMPLE, responses) ret, results, neighbors ,dist = knn.findNearest(newcomer, 3) print("Label of New Member: {}\n".format(results) ) print("Nearest Neighbors: {}\n".format(neighbors) ) print("Distance of Each Neighbor: {}\n".format(dist) ) plt.show()
输出
运行上面的Python程序后，将生成以下输出：
Label of New Member: [[1.]] Nearest Neighbors: [[0. 1. 1.]] Distance of Each Neighbor: [[ 85. 85. 405.]]
结果显示新数字属于蓝色类别，因为三个最近邻中有两个属于蓝色类别。它还将显示以下输出窗口：
更新于：2022年12月5日
841 次浏览
广告