利用K近邻模型预测图像中内容

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	多维矩阵类
标签	多维矩阵类
数数	整数型
结果	多维矩阵类
行	整数型
预测	整数型
速度	小数型
测试图1	多维矩阵类
测试图2	多维矩阵类
测试数据	多维矩阵类
矩形	矩形2i类
数据1	多维矩阵类
数据2	多维矩阵类
结果2	多维矩阵类
i	整数型

视觉_控制台命令 (“color F0”)
' 加载KNN分类器
数据 ＝ 视觉_图像读取 (“所有数据按行排列结果.png”, #读图_任何深度 )
标签 ＝ 视觉_图像读取 (“标签.png”, #读图_任何深度 )
数据.转换到 (数据, #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)
k近邻.加载算法 (“knn_model.yml”, “”)
' 查看分类结果
k近邻.找近邻 (数据, 5, 结果, , )
' 统计分类结果与真实结果相同的数目
判断循环首 (行 ＜ 结果.行数 ())
预测 ＝ 结果.取元素 (行, 0)
如果真 (标签.取元素 (行, 0) ＝ 预测)
数数 ＝ 数数 ＋ 1
行 ＝ 行 ＋ 1
判断循环尾 ()
速度 ＝ 1 × 数数 ÷ 结果.行数 ()
视觉_控制台输出 (“分类的正确性：%F\n”, 速度)
' 测试新图像是否能够识别数字
测试图1.从字节集加载 ( #数字1, #读图_灰度 )
测试图2.从字节集加载 ( #数字2, #读图_灰度 )
视觉_显示图像 (“测试图1”, 测试图1)
视觉_显示图像 (“测试图2”, 测试图2)
' 缩放到20×20的尺寸
视觉_调整尺寸 (测试图1, 测试图1, 尺寸2i (20, 20), 0, 0, 1)
视觉_调整尺寸 (测试图2, 测试图2, 尺寸2i (20, 20), 0, 0, 1)
测试数据 ＝ 矩阵 (2, 400, #Cv无符号字节型_单通道, 0)
矩形.高度 ＝ 1
矩形.宽度 ＝ 400
数据1 ＝ 测试图1.重塑 (1, 1)
数据2 ＝ 测试图2.重塑 (1, 1)
数据1.复制 (测试数据.感兴区域 (矩形), )
矩形.顶边 ＝ 1
数据2.复制 (测试数据.感兴区域 (矩形), )
' 数据类型转换
测试数据.转换到 (测试数据, #Cv小数型, 1, 0)
' 进行估计识别
k近邻.找近邻 (测试数据, 5, 结果2, , )
' 查看预测的结果
变量循环首 (0, 结果2.行数 () － 1, 1, i)
预测 ＝ 结果2.取元素 (i, 0)
视觉_控制台输出 (“第%D图像预测结果：%I 真实结果：%D\n”, i ＋ 1, 预测, i ＋ 1)
变量循环尾 ()
视觉_等待按键 (0)
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, 多维矩阵类<br /> .局部变量 标签, 多维矩阵类<br /> .局部变量 数数, 整数型<br /> .局部变量 结果, 多维矩阵类<br /> .局部变量 行, 整数型<br /> .局部变量 预测, 整数型<br /> .局部变量 速度, 小数型<br /> .局部变量 测试图1, 多维矩阵类<br /> .局部变量 测试图2, 多维矩阵类<br /> .局部变量 测试数据, 多维矩阵类<br /> .局部变量 矩形, 矩形2i类, , ,  <br /> .局部变量 数据1, 多维矩阵类<br /> .局部变量 数据2, 多维矩阵类<br /> .局部变量 结果2, 多维矩阵类<br /> .局部变量 i, 整数型<br /> <br /> 视觉_控制台命令 (“color F0”)<br /> ' 加载KNN分类器<br /> 数据 ＝ 视觉_图像读取 (“所有数据按行排列结果.png”, #读图_任何深度)<br /> 标签 ＝ 视觉_图像读取 (“标签.png”, #读图_任何深度)<br /> 数据.转换到 (数据, #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 /> k近邻.加载算法 (“knn_model.yml”, “”)<br /> ' 查看分类结果<br /> k近邻.找近邻 (数据, 5, 结果, , )<br /> ' 统计分类结果与真实结果相同的数目<br /> .判断循环首 (行 ＜ 结果.行数 ())<br />     预测 ＝ 结果.取元素 (行, 0)<br />     .如果真 (标签.取元素 (行, 0) ＝ 预测)<br />         数数 ＝ 数数 ＋ 1<br />     .如果真结束<br />     行 ＝ 行 ＋ 1<br /> .判断循环尾 ()<br /> 速度 ＝ 1 × 数数 ÷ 结果.行数 ()<br /> 视觉_控制台输出 (“分类的正确性：%F\n”, 速度)<br /> ' 测试新图像是否能够识别数字<br /> 测试图1.从字节集加载 (#数字1, #读图_灰度)<br /> 测试图2.从字节集加载 (#数字2, #读图_灰度)<br /> 视觉_显示图像 (“测试图1”, 测试图1)<br /> 视觉_显示图像 (“测试图2”, 测试图2)<br /> ' 缩放到20×20的尺寸<br /> 视觉_调整尺寸 (测试图1, 测试图1, 尺寸2i (20, 20), 0, 0, 1)<br /> 视觉_调整尺寸 (测试图2, 测试图2, 尺寸2i (20, 20), 0, 0, 1)<br /> 测试数据 ＝ 矩阵 (2, 400, #Cv无符号字节型_单通道, 0)<br /> 矩形.高度 ＝ 1<br /> 矩形.宽度 ＝ 400<br /> 数据1 ＝ 测试图1.重塑 (1, 1)<br /> 数据2 ＝ 测试图2.重塑 (1, 1)<br /> 数据1.复制 (测试数据.感兴区域 (矩形), )<br /> 矩形.顶边 ＝ 1<br /> 数据2.复制 (测试数据.感兴区域 (矩形), )<br /> ' 数据类型转换<br /> 测试数据.转换到 (测试数据, #Cv小数型, 1, 0)<br /> ' 进行估计识别<br /> k近邻.找近邻 (测试数据, 5, 结果2, , )<br /> ' 查看预测的结果<br /> .变量循环首 (0, 结果2.行数 () － 1, 1, i)<br />     预测 ＝ 结果2.取元素 (i, 0)<br />     视觉_控制台输出 (“第%D图像预测结果：%I 真实结果：%D\n”, i ＋ 1, 预测, i ＋ 1)<br /> .变量循环尾 ()<br /> 视觉_等待按键 (0)<br /> 返回 (0)  ' 可以根据您的需要返回任意数值

qwee1222

感谢分享！！！！！！！！！！！！！！

tmdgdx

感谢分享！

13145212813

感谢分享！！！！！！！！！！！！！！