[CV笔记]OpenCV机器学习笔记

KNN算法：

目的是分类，具体过程为，先训练，这个训练我估计只是对训练数据进行一个存储，knn测试的过程是根据测试样例找出与这个样例的距离最近的k个点，看这k个点中哪个分类所占的比例比较多，那么这个样例就属于这个分类。所以我们要做的就是确定这个k，这个k是个超参数，所以需要手动测试。

具体使用方式为

1 knn = cv.KNearest()
2
3 knn.train(train_datas,train_labels)
4
5 ret,result,neighbours,dist = knn.find_nearest(test,k=5)

SVM算法：

支持向量机的目的是拟合出一条决策边界，使得边界两端的数据可以被分开从而得到分类的目的，训练的目的就是得到支持向量，支持向量是用来划定边界的，具体我也讲不清楚，但大致是理解的。

使用方法大致如下

 1 svm_params = dict( kernel_type = cv2.SVM_LINEAR,
 2
 3                     svm_type = cv2.SVM_C_SVC,
 4
 5                     C=2.67, gamma=5.383 )
 6
 7 svm = cv.SVM()
 8
 9 svm.train(train_data,responses,svm_params)
10
11 svm.save("svm_data.dat")
12
13 result = svm.predict_all(test)

要提到的就是这里kernel_type、svm_type、C、gamma

C: 目标函数的惩罚系数C，用来平衡分类间隔margin和错分样本的，default C = 1.0；

kernel：参数选择有RBF, Linear, Poly, Sigmoid, 默认的是”RBF”;

gamma：核函数的系数(‘Poly’, ‘RBF’ and ‘Sigmoid’), 默认是gamma = 1 / n_features;

svm_type 这里用的SVC就是分类

K-Means算法：

假设你要将数据分为2组，那么算法会随机选择两个中心C1和C2，计算每个点到两个中心的距离，如果更接近C1，就标记为0，接近C2，就标记为1，如果更多分组就标记为2、3等等，然后计算所有被标记为0的向量的平均值，用这个平均值作为新的中心，同理标记为1的也是，如此往复，直到两个中心点收敛到固定点，或者我们设定最大迭代次数或达到特定的精度停止，最终会让这些数据点与其对应的之心之间的距离之和最小。

下面是具体使用方法

1 criteria = (cv.TERM_CRITERIA_EPS + cv.TERM_CRITERIA_MAX_ITER,10,1.0)
2 flags = cv.KMEANS_RANDOM_CENTERS
3 compactness,labels,centers = cv.kmeans(z,2,None,criteria,10,flags)

输入的参数依此为

1. samples np.float32类型的训练数据

2. nclusters(K) 需要分类的数目

3. critria 满足终止的条件，满足这个条件，就停止迭代

第一个参数

cv.TERM_CRITERIA_EPS - 达到精度epsilon就停止迭代

cv.TERM_CRITERIA_MAX_ITER - 达到最大迭代次数max_iter就停止迭代

cv.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER - 满足上述任何条件停止迭代

第二个参数

max_iter - 最大迭代次数

第三个参数

epsilon - 要求的精度

4. attempts: 使用flag指定的算法初始执行算法的次数，估计是通过多次初始化得到一个准确值。

5. flags : 指定初始的中心点的方式，通常又两种方式，cv.KMEANS_PP_CENTERS和cv.KMEANS_RANDOM_CENTERS

返回的参数为

1.compactness : 每个点到其相应中心的平方距离之和

2. labels : 标签数组，其中每个元素标记为0、1、2等等

3. centers : 各组集群的中心

巴特西

[CV笔记]OpenCV机器学习笔记

最新文章

热门文章