autojs-KNN算法手寫數字識別的OpenCV實現

牙叔教程 簡單易懂

上面這張圖片網上說是opencv自帶的, 我下載的4.5.2的opencv的安卓版本, 就沒找到

knn簡介

百科簡介

鄰近算法，或者說K最近鄰（KNN，K-NearestNeighbor）分類算法是數據挖掘分類技術中最簡單的方法之一。所謂K最近鄰，就是K個最近的鄰居的意思，說的是每一個樣本均可以用它最接近的K個鄰近值來表明。近鄰算法就是將數據集合中每個記錄進行分類的方法  。

網友大奸貓對knn的算法描述

S1 算距離

給定未知樣本點A，計算它與訓練集中的每一個樣本點的距離 S2 找鄰居 將S1計算好的距離升序排列，取前k個最近的樣本點做爲A的鄰居 S3 肯定分類 這k個鄰居中，包含鄰居數最多的類別做爲A的類別

knn示意圖

目標是黃色多邊形, 距離黃色多邊形最近的3個鄰居, 有兩個是紅色, 一個是藍色,

按照近朱者赤近墨者黑, 少數服從多數來推斷, 就認爲黃色多邊形是紅色

也能夠說是, 你身邊那種人多, 你就會成爲那種人

算法經常使用的距離

曼哈頓距離（城市街區距離）

歐式距離

馬氏距離（閔可夫斯基距離）

餘弦距離

切比雪夫距離

海明距離

autojs版本

8.8.16-0

本版本自帶3.4.3的opencv

knn簡要流程

1. 圖片是一大張, 因此第一步是切割圖片, 每一個圖片只包含一個數字
2. 訓練
3. 預測

訓練

訓練就是把特徵和標籤一一對應起來, 再對數據作一些處理,

這裏主要說一下特徵提取,

特徵: 取圖片每一個像素點的數值, 一張圖片是20X20, 就是400個像素, 而且圖片是一個通道

關鍵代碼:

let tempData = Imgcodecs.imread(filePath, 0); // 一個通道
tempData = tempData.reshape(0, 1); // 矩陣變爲一行
tempData.convertTo(tempData, CvType.CV_32F); // 數據變爲浮點數
tempData.copyTo(tmp); // 保存特徵
trainlabel.put(0, 0, trainClasses); // 打標籤
knn.train(trainData, Ml.ROW_SAMPLE, trainlabel); // 訓練
複製代碼

預測

預測就是拿一小部分數據測試,

訓練的時候留一小部分數據, 不參加訓練, 而是用於預測

預測, 和訓練同樣,

提取圖片特徵, 拿去和訓練好的數據計算距離,

而後返回匹配度最高的值

關鍵代碼

let tempData = Imgcodecs.imread(filePath, 0); // 一個通道
tempData = tempData.reshape(0, 1); // 矩陣變爲一行
tempData.convertTo(tempData, CvType.CV_32F); // 數據變爲浮點數
let response = knn.findNearest(tempData, k, nearests); // 計算最佳匹配
複製代碼

統計

log("測試總數: " + testNum);
log("正確分類數: --> " + trueNum);
log("準確率：" + (trueNum / testNum) * 100 + "%");
複製代碼

Mat

mat是opencv經常使用的數據類型, 理解Mat的格式後, 對理解opencv代碼頗有幫助

修改Mat

autojs的Mat沒有at方法, 那麼修改數據就用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位浮點數 1個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("修改後" + i + ": ", trainlabel.get(i, 0));
}
複製代碼

打印Mat寬高行列

let trainlabel = Mat.ones(100, 1, CvType.CV_32FC1);
let infoList = [
  "\n",
  "row: " + trainlabel.rows(),
  "col: " + trainlabel.cols(),
  "height: " + trainlabel.height(),
  "width: " + trainlabel.width(),
];
log(infoList.join("\n"));
// row: 100
// col: 1
// height: 100
// width: 1
複製代碼

把Mat想象成一堵牆就能夠了,

橫着的是row,  豎着的是col,

有多少row, 就有多height,

有多少col, 就有多width

Mat參數通常是row前, col後

先看數據在第幾行, 再看數據在第幾列

也符合人的思惟

咱們讀書也是從左往右, 從上往下

古人的話估計是先看第幾列, 再看第幾行,

由於古人的書是豎着寫的

打印Mat具體的數據

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和行數 數值同樣
// 能夠認爲 hegith ⇔ 行數
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]]
// ]
複製代碼

聲明

部份內容來自網絡 本教程僅用於學習, 禁止用於其餘用途