1 #include<iostream>
2 #include <opencv2\opencv.hpp>
3 using namespace cv;
4 using namespace std;
5 #include "test.h"
6
7 int main()
8 {
9 Mat img = imread("1.png");
10 Mat gray;
11 cvtColor(img, gray, CV_BGR2GRAY);
12 threshold(gray, gray, 0, 255, CV_THRESH_BINARY);
13 // digits.png为2000 * 1000，其中每个数字的大小为20 * 20，
14 // 总共有5000（(2000*1000) / (20*20)）个数字，类型为[0~9]，
15 // [0~9]10个数字每个数字有5000/10 = 500个样本
16 // 对其分割成单个20 * 20的图像并序列化成（转化成一个一维的数组）
17 int side = 20;
18 int m = gray.rows / side;
19 int n = gray.cols / side;
20 Mat data, labels;
21 for (int i = 0; i < m; i++) {
22
23 int offsetRow = i * side;
24 for (int j = 0; j < n; j++) {
25
26 int offsetCol = j * side;
27 // 截取20*20的小块
28
29
30 Mat tmp;
31
32 gray(Range(offsetRow, offsetRow + side), Range(offsetCol, offsetCol + side)).copyTo(tmp);
33
34 data.push_back(tmp.reshape(0, 1)); // 序列化转换成一个一维向量
35 labels.push_back(i / 5); // 每500个为一个label类型
36 }
37 }
38 data.convertTo(data, CV_32F);
39 cout << "读取结束..." << endl;
40 //****************** 使用KNN算法训练********************//
41 int K = 7; // 改变K值可能会出现不同的效果，K值越大，识别速度越慢
42 Ptr<TrainData> tData = TrainData::create(data, ROW_SAMPLE, labels);
43 Ptr<KNearest> model = KNearest::create();
44 model->setDefaultK(K);
45 model->setIsClassifier(true);
46 model->train(tData);
47 model->save("KnnTest.xml");
48 ///********************测试模型***************************///
49 Mat test = imread(".\\test\\3.jpg", 0);//截取图像中一个数字
50 Mat bw;
51 threshold(test, bw, 0, 255, CV_THRESH_BINARY);
52 Mat I0 = bw.reshape(0, 1);
53 I0.convertTo(I0, CV_32F);
54 // 开始用KNN预测分类，返回识别结果
55 float r = model->predict(I0);
56
57 }
