OpenCV Machine Learning 之 K近期邻分类器的应用 K-Nearest Neighbors

版权声明：本文为博主原创文章，未经博主同意不得转载。 https://blog.csdn.net/zhjm07054115/article/details/28441837

OpenCV Machine Learning 之 K近期邻分类器的应用

以下的程序实现了对高斯分布的点集合进行分类的K近期令分类器

#include "ml.h"
#include "highgui.h"

int main( int argc, char** argv )
{
    const int K = 10; //每一个输入向量的邻居个数
    int i, j, k, accuracy;
    float response;   //输出响应
    int train_sample_count = 100; //训练样本的数量
    CvRNG rng_state = cvRNG(-1);  //随机数发生器
    CvMat* trainData = cvCreateMat( train_sample_count, 2, CV_32FC1 ); //训练数据集，每一行有两个特征
    CvMat* trainClasses = cvCreateMat( train_sample_count, 1, CV_32FC1 );//训练样本的响应
    IplImage* img = cvCreateImage( cvSize( 500, 500 ), 8, 3 ); //绘制训练样本的图像
    float _sample[2];
    CvMat sample = cvMat( 1, 2, CV_32FC1, _sample ); //单个样本特征向量
    cvZero( img );

    CvMat trainData1, trainData2, trainClasses1, trainClasses2;

    // 形成训练样本集
    cvGetRows( trainData, &trainData1, 0, train_sample_count/2 );  //总样本中的前面一半样本
	//第一类样本 ：每一个特征的均值为200，标准差为50
    cvRandArr( &rng_state, &trainData1, CV_RAND_NORMAL, cvScalar(200,200), cvScalar(50,50) );

    cvGetRows( trainData, &trainData2, train_sample_count/2, train_sample_count );//总样本中的后面一半样本
	//第二类样本 ：每一个特征的均值为300。标准差为50
    cvRandArr( &rng_state, &trainData2, CV_RAND_NORMAL, cvScalar(300,300), cvScalar(50,50) );

	//设置第一类样本的类别标签
    cvGetRows( trainClasses, &trainClasses1, 0, train_sample_count/2 );
    cvSet( &trainClasses1, cvScalar(1) );
	//设置第二类样本的类别标签
    cvGetRows( trainClasses, &trainClasses2, train_sample_count/2, train_sample_count );
    cvSet( &trainClasses2, cvScalar(2) );

    // 训练分类器
    CvKNearest knn( trainData, trainClasses, 0, false, K ); //调用第二个构造函数
    CvMat* nearests = cvCreateMat( 1, K, CV_32FC1); //一个样本的k个邻居的响应

    for( i = 0; i < img->height; i++ )
    {
        for( j = 0; j < img->width; j++ )
        {
			//构造一个測试样本，
            sample.data.fl[0] = (float)j;//第一维特征沿着列增长。横向分布
            sample.data.fl[1] = (float)i;//第二维特征沿着行增长，纵向分布

            // 预计測试样本的响应。并获取输入样本的K个邻居的类别标签 
            response = knn.find_nearest(&sample,K,0,0,nearests,0);

            //计算K个邻居中出现次数最多的那种类型的邻居的数目
            for( k = 0, accuracy = 0; k < K; k++ )
            {
                if( nearests->data.fl[k] == response)
                    accuracy++;
            }
            // 基于置信度accuracy的大小标记img图像中的每一个像素位置的类别 
            cvSet2D( img, i, j, response == 1 ?
                (accuracy > 5 ? CV_RGB(180,0,0) : CV_RGB(180,120,0)) :
                (accuracy > 5 ? CV_RGB(0,180,0) : CV_RGB(120,120,0)) );
        }
    }

    // 在img上画出原始的训练样本
    for( i = 0; i < train_sample_count/2; i++ )
    {
        CvPoint pt;
        pt.x = cvRound(trainData1.data.fl[i*2]);
        pt.y = cvRound(trainData1.data.fl[i*2+1]);
        cvCircle( img, pt, 2, CV_RGB(255,0,0), CV_FILLED );
        pt.x = cvRound(trainData2.data.fl[i*2]);
        pt.y = cvRound(trainData2.data.fl[i*2+1]);
        cvCircle( img, pt, 2, CV_RGB(0,255,0), CV_FILLED );
    }
	//显示分类结果
    cvNamedWindow( "classifier result", 1 );
    cvShowImage( "classifier result", img );
    cvWaitKey(0);

    cvReleaseMat( &trainClasses );
    cvReleaseMat( &trainData );
    return 0;
}

程序执行结果：