视觉进阶: 学习KNN(三)KNN+HOG实现手写数字识别

在学习KNN(二)KNN算法手写数字识别的OpenCV实现我们直接将像素值作为特征,实现了KNN算法的手写数字识别问题,并得到了较好的准确率,但是就像其他机器学习算法一样,KNN的对象同样是特征,所以我们可以用一种特征提取算法配合KNN实现手写数字识别的任务。

下面用HOG原理及OpenCV实现中介绍的HOG算法提取特征,作为KNN的的输入,最后与像素值特征的结果进行对比。

在数据方面还是使用之前生成的5000张手写数字图片,并根据之前介绍的KNN与HOG的OpenCV实现,写出如下代码:

#include <iostream>
#include <opencv2/opencv.hpp>
#include <opencv2/ml/ml.hpp>  
using namespace std;
using namespace cv;

char ad[128]={0};

int main()
{
    Mat samFeatureMat ,samLabelMat;
    int k=5,testnum=0,truenum=0;
    HOGDescriptor hog(Size(20,20),Size(10,10),Size(2,2),Size(2,2),9);//利用构造函数,给对象赋值。
    int DescriptorDim;//HOG描述子的维数
    //读取训练数据 4000张
    for (int i = 0; i < 10; i++)
    {
        for (int j =0;j<400;j++)
        {
            sprintf_s(ad, "D:\\data\\%d\\%d.jpg",i,j);
            Mat srcimage = imread(ad);
            vector<float> descriptors;//HOG描述子向量
            hog.compute(srcimage,descriptors);

            if ( i == 0&&j==0)
            {
                DescriptorDim = descriptors.size();
                samFeatureMat = Mat::zeros(4000  , DescriptorDim, CV_32FC1);
                samLabelMat = Mat::zeros(4000  , 1, CV_32FC1);
            }

            for(int k=0; k<DescriptorDim; k++)
            {
                samFeatureMat.at<float>(i*400+j,k) = descriptors[k];
                samLabelMat.at<float>(i*400+j,0) = i;
            }
        }
    }
    samFeatureMat.convertTo(samFeatureMat,CV_32F);
    CvKNearest knn( samFeatureMat, samLabelMat, cv::Mat(), false, k );  
    cv::Mat nearests( 1, k, CV_32F);  
    //读取测试数据  1000张
    for (int i = 0; i < 10; i++)
    {
        for (int j =400;j<500;j++)
        {
            testnum++;
            sprintf_s(ad, "D:\\data\\%d\\%d.jpg",i,j);
            Mat testFeatureMat =Mat::zeros(1,DescriptorDim, CV_32FC1);
            Mat testdata = imread(ad);
            vector<float> descriptors;//HOG描述子向量
            hog.compute(testdata,descriptors);
            for(int k=0; k<DescriptorDim; k++)
            {
                testFeatureMat.at<float>(0,k) = descriptors[k];
            }
            testFeatureMat.convertTo(testFeatureMat,CV_32F);
            int  response = knn.find_nearest(testFeatureMat,k,0,0,&nearests,0); 
            if (response==i)
            {
                truenum++;
            }
        }
    }
    cout<<"测试总数"<<testnum<<endl;
    cout<<"正确分类数"<<truenum<<endl;
    cout<<"准确率:"<<(float)truenum/testnum*100<<"%"<<endl;
    return 0;
}

在HOG特征提取时,我们将整张图片作为一个检测窗,并设置块尺寸为10*10,块步长为(2,2),cell尺寸为2*2,bin个数为9,那么计算一下描述子维数就是:

一个检测窗口中可以滑出36个块,一个块中可以划分25个cell,一个cell中产生9个方向,那么36*25*9=8100。


最后,结果统计如下所示:

image.png

————————————————

版权声明:本文为CSDN博主「chaibubble」的原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接及本声明。

原文链接:https://blog.csdn.net/chaipp0607/article/details/78084415


本文出自勇哥的网站《少有人走的路》wwww.skcircle.com,转载请注明出处!讨论可扫码加群:

发表评论:

◎欢迎参与讨论,请在这里发表您的看法、交流您的观点。

会员中心
搜索
«    2024年3月    »
123
45678910
11121314151617
18192021222324
25262728293031
网站分类
标签列表
最新留言
    热门文章 | 热评文章 | 随机文章
文章归档
友情链接
  • 订阅本站的 RSS 2.0 新闻聚合
  • 扫描加本站机器视觉QQ群,验证答案为:halcon勇哥的机器视觉
  • 点击查阅微信群二维码
  • 扫描加勇哥的非标自动化群,验证答案:C#/C++/VB勇哥的非标自动化群
  • 扫描加站长微信:站长微信:abc496103864
  • 扫描加站长QQ:
  • 扫描赞赏本站:
  • 留言板:

Powered By Z-BlogPHP 1.7.2

Copyright Your skcircle.com Rights Reserved.

鄂ICP备18008319号


站长QQ:496103864 微信:abc496103864