K-近邻分类算法KNN

K-近邻（K-Nearest Neighbors, KNN）是一种很好理解的分类算法，简单说来就是从训练样本中找出K个与其最相近的样本，然后看这K个样本中哪个类别的样本多，则待判定的值（或说抽样）就属于这个类别。

KNN算法的步骤

计算已知类别数据集中每个点与当前点的距离；
选取与当前点距离最小的K个点；
统计前K个点中每个类别的样本出现的频率；
返回前K个点出现频率最高的类别作为当前点的预测分类。

OpenCV中使用CvKNearest

OpenCV中实现CvKNearest类可以实现简单的KNN训练和预测。

[cpp] view
plaincopy





int main()

{

float labels[10] = {0,0,0,0,0,1,1,1,1,1};

Mat labelsMat(10, 1, CV_32FC1, labels);

cout<<labelsMat<<endl;

float trainingData[10][2];

srand(time(0));

for(int i=0;i<5;i++){

trainingData[i][0] = rand()%255+1;

trainingData[i][1] = rand()%255+1;

trainingData[i+5][0] = rand()%255+255;

trainingData[i+5][1] = rand()%255+255;

}

Mat trainingDataMat(10, 2, CV_32FC1, trainingData);

cout<<trainingDataMat<<endl;

CvKNearest knn;

knn.train(trainingDataMat,labelsMat,Mat(), false, 2 );

// Data for visual representation

int width = 512, height = 512;

Mat image = Mat::zeros(height, width, CV_8UC3);

Vec3b green(0,255,0), blue (255,0,0);



for (int i = 0; i < image.rows; ++i){

for (int j = 0; j < image.cols; ++j){

const Mat sampleMat = (Mat_<float>(1,2) << i,j);

Mat response;

float result = knn.find_nearest(sampleMat,1);

if (result !=0){

image.at<Vec3b>(j, i) = green;

}

else

image.at<Vec3b>(j, i) = blue;

}

}



// Show the training data

for(int i=0;i<5;i++){

circle( image, Point(trainingData[i][0], trainingData[i][1]),

5, Scalar( 0, 0, 0), -1, 8);

circle( image, Point(trainingData[i+5][0], trainingData[i+5][1]),

5, Scalar(255, 255, 255), -1, 8);

}

imshow("KNN Simple Example", image); // show it to the user

waitKey(10000);



}

使用的是之前BP神经网络中的例子，分类结果如下：



预测函数find_nearest()除了输入sample参数外还有些其他的参数：

[cpp] view
plaincopy





float CvKNearest::find_nearest(const Mat& samples, int k, Mat* results=0,

const float** neighbors=0, Mat* neighborResponses=0, Mat* dist=0 )



即，samples为样本数*特征数的浮点矩阵；K为寻找最近点的个数；results与预测结果；neibhbors为k*样本数的指针数组（输入为const，实在不知为何如此设计）；neighborResponse为样本数*k的每个样本K个近邻的输出值；dist为样本数*k的每个样本K个近邻的距离。