(1)、cv::ml::Knearest类：继承自cv::ml::StateModel，而cv::ml::StateModel又继承自cv::Algorithm;
(2)、create函数：为static，new一个KNearestImpl用来创建一个KNearest对象；
(3)、setDefaultK/getDefaultK函数：在预测时，设置/获取的K值；
(4)、setIsClassifier/getIsClassifier函数：设置/获取应用KNN是进行分类还是回归；
(5)、setEmax/getEmax函数：在使用KDTree算法时，设置/获取Emax参数值；
(6)、setAlgorithmType/getAlgorithmType函数：设置/获取KNN算法类型，目前支持两种：brute_force和KDTree；
(7)、findNearest函数：根据输入预测分类/回归结果。
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 }