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

[CV笔记]OpenCV机器学习笔记的更多相关文章

  1. 《Mastering Opencv ...读书笔记系列》车牌识别(II)

    http://blog.csdn.net/jinshengtao/article/details/17954427   <Mastering Opencv ...读书笔记系列>车牌识别(I ...

  2. OpenCV 学习笔记 07 目标检测与识别

    目标检测与识别是计算机视觉中最常见的挑战之一.属于高级主题. 本章节将扩展目标检测的概念,首先探讨人脸识别技术,然后将该技术应用到显示生活中的各种目标检测. 1 目标检测与识别技术 为了与OpenCV ...

  3. OpenCV开发笔记(六十五):红胖子8分钟带你深入了解ORB特征点(图文并茂+浅显易懂+程序源码)

    若该文为原创文章,未经允许不得转载原博主博客地址:https://blog.csdn.net/qq21497936原博主博客导航:https://blog.csdn.net/qq21497936/ar ...

  4. opencv学习笔记(六)直方图比较图片相似度

    opencv学习笔记(六)直方图比较图片相似度 opencv提供了API来比较图片的相似程度,使我们很简单的就能对2个图片进行比较,这就是直方图的比较,直方图英文是histogram, 原理就是就是将 ...

  5. opencv学习笔记(五)镜像对称

    opencv学习笔记(五)镜像对称 设图像的宽度为width,长度为height.(x,y)为变换后的坐标,(x0,y0)为原图像的坐标. 水平镜像变换: 代码实现: #include <ios ...

  6. opencv学习笔记(四)投影

    opencv学习笔记(四)投影 任选了一张图片用于测试,图片如下所示: #include <cv.h> #include <highgui.h> using namespace ...

  7. opencv学习笔记(二)寻找轮廓

    opencv学习笔记(二)寻找轮廓 opencv中使用findContours函数来查找轮廓,这个函数的原型为: void findContours(InputOutputArray image, O ...

  8. (转) OpenCV学习笔记大集锦 与 图像视觉博客资源2之MIT斯坦福CMU

          首页 视界智尚 算法技术 每日技术 来打我呀 注册     OpenCV学习笔记大集锦 整理了我所了解的有关OpenCV的学习笔记.原理分析.使用例程等相关的博文.排序不分先后,随机整理的 ...

  9. 《Mastering Opencv ...读书笔记系列》车牌识别(I)

    http://blog.csdn.net/jinshengtao/article/details/17883075/  <Mastering Opencv ...读书笔记系列>车牌识别(I ...

随机推荐

  1. ansible无网络安装openstack(Newton)

    概要 apt使用本地源,pip使用本地源 网络环境 物理机环境 网络名 网络地址 VLAN br-ex 192.168.200.250/24 90 br-mgmt 92.0.0.100/24 92 a ...

  2. 以太坊开发教程(二) 利用truffle发布宠物商店 DAPP 到 以太坊测试环境Ropsten

    1.环境安装 1) node安装 设置镜像地址: curl --silent --location https://rpm.nodesource.com/setup_8.x | bash -下载安装 ...

  3. 洛谷P1137 旅行计划

    P1137 旅行计划 题目描述 小明要去一个国家旅游.这个国家有N个城市,编号为1-N,并且有M条道路连接着,小明准备从其中一个城市出发,并只往东走到城市i停止. 所以他就需要选择最先到达的城市,并制 ...

  4. 10.Python初窥门径(函数进阶)

    Python(函数进阶) 一.函数的传参(接上期) 形参角度(一共四种,后两种) 动态参数(万能参数)* # 定义一个函数时,*所有的位置参数聚合到一个元组中 def func(*args): # * ...

  5. mac 修改mysql 密码, navicat 连接失败原因

    1.cd /usr/local/mysql/bin/
2.sudo su输入之后会要求输入你的计算机密码,输入的时候是什么都不显示的,输完后回车 3. ./mysqld_safe --skip-gra ...

  6. 02.Jquery Mobile介绍以及Jquery Mobile页面与对话框

    一.为什么要学Jquery Mobile   JqueryMobile 是jquery的移动版本,懂基本的jquery知识,会简单的html+css就可以完成很多复杂的功能,还有就是这个框架在企业中用 ...

  7. css各种水平垂直居中

    css各种水平垂直居中,网上查了一下,总结以下几种 line-height垂直居中 缺点,仅限于单行文字 .item{ text-align: center; height: 100px; line- ...

  8. Django之缓存+序列化+信号+ORM性能优化+验证码

    缓存 由于Django是动态网站,所有每次请求均会去数据进行相应的操作,当程序访问量大时,耗时必然会更加 明显,最简单解决方式是使用:缓存,缓存将一个某个views的返回值保存至内存或者memcach ...

  9. Restful 1 -- REST、DRF(View源码解读、APIView源码解读)及框架实现

    一.REST 1.什么是编程? 数据结构和算法的结合 2.什么是REST? - url用来唯一定位资源,http请求方式来区分用户行为 首先回顾我们曾经做过的图书管理系统,我们是这样设计url的,如下 ...

  10. Python 开发基础-字符串类型讲解(字符串方法)-2

    s = 'Hello World!'print(s.index('W',0,9))#返回某个字母的索引值,本例返回6.没有该字母会报错,和FIND比较像,find不会报错,没找到会返回-1print( ...