资源简介
利用KNN识别LED数码管,识别率大概99左右,需要的可以看下。
代码片段和文件信息
#include
#include
#include
#include
#include
using namespace cv;
using namespace std;
int main()
{
double t;
t=(double)cvGetTickCount();
const int k = 5;
cv::Ptr knn = ml::KNearest::create();
knn->setDefaultK(k);
knn->setIsClassifier(true); //分类问题
knn->setAlgorithmType(ml::KNearest::BRUTE_FORCE); //设置/获取KNN算法类型,目前支持两种:brute_force和KDTree;
Mat datalabel;
string readName = “/home/tianjiazhao/图片/LED_Number/“;
for(int i = 1; i < 10; i++)
{
string readName_ = readName + to_string(i);
for(int j = 1; j <51; j++)
{
Mat gray;
gray = imread(readName_ +“/“+ to_string(j) + “.jpg“0);
threshold(gray gray 200 255 CV_THRESH_BINARY);
// imshow(““gray);
// waitKey(0);
Mat tmp;
resize(graytmpSize(88));
imshow(““tmp);
data.push_back(tmp.reshape(01));
label.push_back(i);
}
}
data.convertTo(dataCV_32F); //char转化为cv_32F
knn->train(dataml::ROW_SAMPLElabel);
knn->save(“LED2.xml“);
//predict
float train_hr = 0;
// Mat predoct_img =imread(“/home/tianjiazhao/opencv/RuneDetector/“
// “build-RunDetector-Desktop_Qt_5_9_0_GCC_64bit-Debug/160.jpg“0);
// resize(predoct_imgpredoct_imgSize(1010));
// imshow(“preditc“predoct_img);
// Mat sample;
// sample.push_back(predoct_img.reshape(01));
// cout< // sample.convertTo(sampleCV_32F);
// float r = knn->predict(sample);
// cout<<“r“< for(int i = 0; i < data.rows; i++)
{
Mat sample = data.row(i);
// cout< float r = knn->predict(sample);
r = std::abs(r - label.at(i))<= FLT_EPSILON ? 1.f : 0.f;
// cout<<“r“< train_hr += r;
}
train_hr /= data.rows;
cout< // waitKey(0);
t=(double)cvGetTickCount()-t;
printf(“used time is %gms\n“(t/(cvGetTickFrequency()*1000)));
}
- 上一篇:公告栏滚动js
- 下一篇:l1范数最优化的相关程序,求出信号的稀疏解,进行分类
相关资源
- machine learning SVM classify algorithm
- 宽度学习ppt
- 国科大模式识别与机器学习考题总结
- 机器学习 数据集
- Forest Fires Data Set
- 机器学习西瓜分类贝叶斯算法详解
- SVM_Iris.rar
- R语言LDA对鸾尾花数据分类
- 机器学习系列分享.txt
- 鸢尾花iris数据集,用于机器学习训练
- 适用于libsvm的iris数据集
- 吴恩达机器学习资料包
- 吴恩达-李飞飞-林轩田等机器学习深度
- 金融风控建模教程-申请评分卡的数据
- 斯坦福大学公开课 《机器学习课程》
- Differential Privacy From Theory to Practice.p
- 机器学习中交叉验证方法
- 神经网络与机器学习原书第3版hykin-习
- 最优化:GMRES算法
- 人工智能机器学习全套教程视频、课
- 二维聚类数据集
- 山东大学机器学习实验报告 集成学习
- 电子科技大学强化学习作业.zip
- 吴恩达机器学习视频中英文字幕以及
- 机器学习 米切尔版 Tom M.mitchell 部分习
- 4. 感知器算法证明.pdf
- gspan频繁子图挖掘算法
- 机器学习——波士顿数据集.zip
- 机器学习、深度学习和算法结构框架
- 浙江大学机器学习配套资源胡老师.
评论
共有 条评论