训练K近邻模型

z13228604287

  

窗口程序集名	保 留	保 留	备 注
程序集1

子程序名	返回值类型	公开	备 注
_启动子程序	整数型		本子程序在程序启动后最先执行

变量名	类 型	静态	数组	备 注
k近邻	k近邻类
数据	训练数据类
原图	多维矩阵类
灰度图	多维矩阵类
排列结果	多维矩阵类
标签	多维矩阵类
行索引	整数型
行图范围	矩形2i类
行计次	整数型
类索引	整数型
单图片Y坐标	整数型
列_计次	整数型
单图片X坐标	整数型
单图片	多维矩阵类
X_计次	整数型
Y_计次	整数型
图压缩行数据	多维矩阵类

原图 ＝ 视觉_图像解码 ( #模板图片, #读图_彩色 )
视觉_颜色空间转换 (原图, 灰度图, #颜色_BGR转GRAY, 0)
' 分割为5000个
排列结果 ＝ 矩阵 (5000, 400, #Cv无符号字节型_单通道, 0)
标签 ＝ 矩阵 (5000, 1, #Cv无符号字节型_单通道, 0)
' 高1 宽 20*20=400
行图范围.高度 ＝ 1
行图范围.宽度 ＝ 400
' 从图像中分割出20×20的图像作为独立数字图像
' 行计次 50=原图高/20
判断循环首 (行计次 ＜ 50)
' 5行1个类   计算类索引
类索引 ＝ 行计次 ÷ 5
' 单图片高为20  计算每个图片Y坐标
单图片Y坐标 ＝ 行计次 × 20
' 列计次 100=原图宽/20
判断循环首 (列_计次 ＜ 100)
' 单图片宽为20  计算每个图片X坐标
单图片X坐标 ＝ 列_计次 × 20
' 存放提取到的单图片
单图片.初始化 (20, 20, #Cv无符号字节型_单通道, 标量 (0))
' 从大图片中，把20*20单图片抠出来
' X_计次 单图片宽
判断循环首 (X_计次 ＜ 20)
' Y_计次 单图片高
判断循环首 (Y_计次 ＜ 20)
' 灰度图每个像素点只复制到创建好的20*20单图片中实现抠图
单图片.置元素 (X_计次, Y_计次, 灰度图.取元素 (X_计次 ＋ 单图片Y坐标, Y_计次 ＋ 单图片X坐标))
Y_计次 ＝ Y_计次 ＋ 1
判断循环尾 ()
' 计次结束置0 准备下次循环
Y_计次 ＝ 0
X_计次 ＝ X_计次 ＋ 1
判断循环尾 ()
' 计次结束置0 准备下次循环
X_计次 ＝ 0
' 将二维图像数据转成1行数据  数据长度20*20 =400
图压缩行数据 ＝ 单图片.重塑 (1, 1)
视觉_控制台输出 (“提取第%D个数据\n”, 行索引 ＋ 1)
行图范围.顶边 ＝ 行索引
' 添加到总数据中
图压缩行数据.复制 (排列结果.感兴区域 (行图范围), )
' 记录每个图像对应的数字标签
标签.置元素 (行索引, 0, 类索引)
行索引 ＝ 行索引 ＋ 1
列_计次 ＝ 列_计次 ＋ 1
判断循环尾 ()
列_计次 ＝ 0
行计次 ＝ 行计次 ＋ 1
判断循环尾 ()
行计次 ＝ 0
视觉_图像写 (“所有数据按行排列结果.png”, 排列结果, )
视觉_图像写 (“标签.png”, 标签, )
' 加载训练数据集
排列结果.转换到 (排列结果, #Cv小数型_单通道, 1, 0)
标签.转换到 (标签, #Cv整数型_单通道, 1, 0)
数据.创建训练数据 (排列结果, #样本_行, 标签, , , , )
' 创建K近邻类
k近邻.设置K值 (5)  ' 每个类别拿出5个数据
' K值过小：k值小，特征空间被划分为更多子空间，整体模型变复杂，容易发生过拟合，k值越小，选择的范围就比较小，训练的时候命中率较高，近似误差小，而用测试集的时候就容易出错，估计误差大，容易过拟合。
' K值过大：无论输入，都将简单的预测它属于训练实例中最多的类
k近邻.分类 (真)  ' 进行分类
' 训练数据
k近邻.训练 (数据, 0)
' 保存训练结果
k近邻.保存 (“knn_model.yml”)
返回 (0)  ' 可以根据您的需要返回任意数值

i支持库列表	支持库注释
OpenCV	(未知支持库)

.版本 2<br /> .支持库 OpenCV<br /> <br /> .程序集 程序集1<br /> <br /> .子程序 _启动子程序, 整数型, , 本子程序在程序启动后最先执行<br /> .局部变量 k近邻, k近邻类<br /> .局部变量 数据, 训练数据类<br /> .局部变量 原图, 多维矩阵类<br /> .局部变量 灰度图, 多维矩阵类<br /> .局部变量 排列结果, 多维矩阵类<br /> .局部变量 标签, 多维矩阵类<br /> .局部变量 行索引, 整数型<br /> .局部变量 行图范围, 矩形2i类<br /> .局部变量 行计次, 整数型<br /> .局部变量 类索引, 整数型<br /> .局部变量 单图片Y坐标, 整数型<br /> .局部变量 列_计次, 整数型<br /> .局部变量 单图片X坐标, 整数型<br /> .局部变量 单图片, 多维矩阵类<br /> .局部变量 X_计次, 整数型<br /> .局部变量 Y_计次, 整数型<br /> .局部变量 图压缩行数据, 多维矩阵类<br /> <br /> 原图 ＝ 视觉_图像解码 (#模板图片, #读图_彩色)<br /> 视觉_颜色空间转换 (原图, 灰度图, #颜色_BGR转GRAY, 0)<br /> ' 分割为5000个<br /> 排列结果 ＝ 矩阵 (5000, 400, #Cv无符号字节型_单通道, 0)<br /> 标签 ＝ 矩阵 (5000, 1, #Cv无符号字节型_单通道, 0)<br /> ' 高1 宽 20*20=400<br /> 行图范围.高度 ＝ 1<br /> 行图范围.宽度 ＝ 400<br /> ' 从图像中分割出20×20的图像作为独立数字图像<br /> ' 行计次 50=原图高/20<br /> .判断循环首 (行计次 ＜ 50)<br />     ' 5行1个类   计算类索引<br />     类索引 ＝ 行计次 ÷ 5<br />     ' 单图片高为20  计算每个图片Y坐标<br />     单图片Y坐标 ＝ 行计次 × 20<br />     ' 列计次 100=原图宽/20<br />     .判断循环首 (列_计次 ＜ 100)<br />         ' 单图片宽为20  计算每个图片X坐标<br />         单图片X坐标 ＝ 列_计次 × 20<br />         ' 存放提取到的单图片<br />         单图片.初始化 (20, 20, #Cv无符号字节型_单通道, 标量 (0))<br />         ' 从大图片中，把20*20单图片抠出来<br />         ' X_计次 单图片宽<br />         .判断循环首 (X_计次 ＜ 20)<br />             ' Y_计次 单图片高<br />             .判断循环首 (Y_计次 ＜ 20)<br />                 ' 灰度图每个像素点只复制到创建好的20*20单图片中实现抠图<br />                 单图片.置元素 (X_计次, Y_计次, 灰度图.取元素 (X_计次 ＋ 单图片Y坐标, Y_计次 ＋ 单图片X坐标))<br />                 Y_计次 ＝ Y_计次 ＋ 1<br />             .判断循环尾 ()<br />             ' 计次结束置0 准备下次循环<br />             Y_计次 ＝ 0<br />             X_计次 ＝ X_计次 ＋ 1<br />         .判断循环尾 ()<br />         ' 计次结束置0 准备下次循环<br />         X_计次 ＝ 0<br />         ' 将二维图像数据转成1行数据  数据长度20*20 =400<br />         图压缩行数据 ＝ 单图片.重塑 (1, 1)<br />         视觉_控制台输出 (“提取第%D个数据\n”, 行索引 ＋ 1)<br />         行图范围.顶边 ＝ 行索引<br />         ' 添加到总数据中<br />         图压缩行数据.复制 (排列结果.感兴区域 (行图范围), )<br />         ' 记录每个图像对应的数字标签<br />         标签.置元素 (行索引, 0, 类索引)<br />         行索引 ＝ 行索引 ＋ 1<br />         列_计次 ＝ 列_计次 ＋ 1<br />     .判断循环尾 ()<br />     列_计次 ＝ 0<br />     行计次 ＝ 行计次 ＋ 1<br /> .判断循环尾 ()<br /> 行计次 ＝ 0<br /> 视觉_图像写 (“所有数据按行排列结果.png”, 排列结果, )<br /> 视觉_图像写 (“标签.png”, 标签, )<br /> ' 加载训练数据集<br /> 排列结果.转换到 (排列结果, #Cv小数型_单通道, 1, 0)<br /> 标签.转换到 (标签, #Cv整数型_单通道, 1, 0)<br /> 数据.创建训练数据 (排列结果, #样本_行, 标签, , , , )<br /> ' 创建K近邻类<br /> k近邻.设置K值 (5)  ' 每个类别拿出5个数据<br /> ' K值过小：k值小，特征空间被划分为更多子空间，整体模型变复杂，容易发生过拟合，k值越小，选择的范围就比较小，训练的时候命中率较高，近似误差小，而用测试集的时候就容易出错，估计误差大，容易过拟合。<br /> ' K值过大：无论输入，都将简单的预测它属于训练实例中最多的类<br /> k近邻.分类 (真)  ' 进行分类<br /> ' 训练数据<br /> k近邻.训练 (数据, 0)<br /> ' 保存训练结果<br /> k近邻.保存 (“knn_model.yml”)<br /> 返回 (0)  ' 可以根据您的需要返回任意数值