书名：计算机视觉40例从入门到深度学习：OpenCV-Python
作者：李立宗
出版社：电子工业出版社
出版时间：2022-07-01
ISBN：9787121436857

---

第15章 机器学习导读

15.4 OpenCV机器学习模块的使用

• OpenCV中机器学习模块的使用主要包含如下三个步骤：
  ● Step 1：模型初始化。
  ● Step 2：训练模型。
  ● Step 3：使用模型处理问题。

15.4.1 使用KNN模块分类

1、三个步骤

• 如图15-38所示，按照在OpenCV中使用机器学习模块的三个步骤使用KNN模块即可。

  
  图15-38 使用KNN模块的流程示意图

2、每步使用的函数。

• Step 1：模型初始化。
  knn=cv2.m1.KNearest create() #生成空模型
• Step 2：训练模型。
  该步骤使用训练数据（原始特征值）、训练数据的响应值（训练数据的标签、分类信息）、数据的形状（行、列）完成训练，生成可以使用的模型。
  knn.train(trainData, cv2.m1.ROW_SAMPLE, trainLabels)
  其中：
  ● trainData是训练数据的特征值。
  ● cv2.ml.ROW_SAMPLE是数据类型，当前值表示数据是行形式的，也可以是列形式的（cv2.ml.COL_SAMPLE）。
  ● trainLabels是训练数据特征值对应的标签。
• Step 3：使用模型。
  该步骤使用训练好的模型完成任务。将要处理对象的特征值和K值作为参数，传递给训练好的模型，使用函数findNearest得出计算结果。
  ret,result,neighbours,dist = knn.findNearest(test,k)
  其中：
  ● ret是浮点型的返回结果值。
  ● result是numpy.ndarray型的K近邻算法的运算结果（若将某图像识别为数值3，则通过result返回标签为3的numpy.ndarray形式的值“[[3.]]”）。
  ● neighbours是K个邻居的标签。
  ● dists是到K个邻居的距离。
  ● test是需要处理对象的特征值（如待识别图像的特征值）。
  ● k是K近邻算法中的K值大小。如果想使用最近邻算法，使k=1即可。

3、实例

• 【例15.1】使用KNN模块完成数据分类预测。
  如图15-39所示，假设有两组数对，一组数对在（0，10）范围内，标签为“0”；另外一组数对在（90，100）范围内，标签为“1”。使用KNN模块预测数对（31，28）在K=3时的标签。

  
  图15-39 示意图
• 由图15-39很容易判断出未知标签为“0”。下面根据题目要求，编写程序通过KNN模块进行判断。

# -*- coding: utf-8 -*-
"""
Created on Tue Jan  9 09:04:53 2024

@author: dalong10
"""

import cv2
import numpy as np

# =====生成模拟数据及标签====
trainData = np.array([[5,6],[9,8],[3,8],[99,94],[89,91],[92,96]]).astype(np.float32) 
tdLable = np.array([[0],[0],[0],[1],[1],[1]]).astype(np.float32)
test=np.array([[31,28]]).astype(np.float32)

# =======使用KNN 算法===============
knn = cv2.ml.KNearest_create()
knn.train(trainData, cv2.ml.ROW_SAMPLE, tdLable)
ret,results, neighbours, dist = knn.findNearest(test,3)

# ========泉示结果============
print("当前数可以判定为类型:", results[0][0].astype(int))
print ("距离当前点最近的3 个邻居是:",neighbours)
print("3个最近邻居的距离:",dist)

运行结果

从上述程序结果可以看出，KNN模块预测的结果与通过图15-39判断的结果一致。

4、把抽象的问题处理为数值

• 本例使用的是纯数值。
  实践中，要做的就是把抽象的问题处理为数值。
  例如，将不同直径、质量的钻石划分为甲级、乙级，需要把钻石的直径、质量作为训练数据，把等级作为训练数据的标签，从而使用KNN模块或SVM模块对未知数据进行类别划分。