autojs-KNN算法手写数字识别的OpenCV实现

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，说的是每一个样本均可以用它最接近的K个邻近值来表明。近邻算法就是将数据集合中每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一个样本点的距离 S2 找邻居 将S1计算好的距离升序排列，取前k个最近的样本点做为A的邻居 S3 肯定分类 这k个邻居中，包含邻居数最多的类别做为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

也能够说是, 你身边那种人多, 你就会成为那种人

算法经常使用的距离

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

autojs版本

8.8.16-0

本版本自带3.4.3的opencv

knn简要流程

1. 图片是一大张, 因此第一步是切割图片, 每一个图片只包含一个数字
2. 训练
3. 预测

训练

训练就是把特征和标签一一对应起来, 再对数据作一些处理,

这里主要说一下特征提取,

特征: 取图片每一个像素点的数值, 一张图片是20X20, 就是400个像素, 而且图片是一个通道

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
复制代码

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, 和训练同样,

提取图片特征, 拿去和训练好的数据计算距离,

而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
复制代码

统计

log("测试总数: " + testNum);
log("正确分类数: --> " + trueNum);
log("准确率：" + (trueNum / testNum) * 100 + "%");
复制代码

Mat

mat是opencv经常使用的数据类型, 理解Mat的格式后, 对理解opencv代码颇有帮助

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));
}
复制代码

打印Mat宽高行列

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
复制代码

把Mat想象成一堵墙就能够了,

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参数通常是row前, col后

先看数据在第几行, 再看数据在第几列

也符合人的思惟

咱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,

由于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 数值同样
// 能够认为 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]]
// ]
复制代码

声明

部份内容来自网络 本教程仅用于学习, 禁止用于其余用途