knn学习1

#include "ml.h"
#include "highgui.h"

int main( int argc, char** argv )
{
	const int K = 10;
	int i, j, k, accuracy;
	float response;
	int train_sample_count = 100;
	CvRNG rng_state = cvRNG(-1);//随机数产生器用来随机交换数组元素.如果为NULL,一个当前的随机数发生器将被创建与使用

//	CvMat* cvCreateMat(int rows, int cols, int type); 
//type: 矩阵元素类型.  按CV_<bit_depth>(S|U|F)C<number_of_channels> 方式指定.  例如: CV_8UC1 、CV_32SC2.
	/*为新矩阵分配内存*/

	CvMat* trainData = cvCreateMat( train_sample_count, 2, CV_32FC1 );//产生train_sample_count*2的矩阵
	CvMat* trainClasses = cvCreateMat( train_sample_count, 1, CV_32FC1 );

	//IplImage* cvCreateImage(CvSize size, int depth, int channels);
	//功能：分配内存给一副新图像

	IplImage* img = cvCreateImage( cvSize( 500, 500 ), 8, 3 );

	float _sample[2];
	/*初始化矩阵*/
	CvMat sample = cvMat( 1, 2, CV_32FC1, _sample );
	/*将图像矩阵清零*/
	cvZero( img );

	CvMat trainData1, trainData2, trainClasses1, trainClasses2;

	// 形成训练数据
	/*函数原型：CvMat* cvGetRows( const CvArr* arr, CvMat* submat, int start_row, int end_row, int delta_row=1 );*/
	//功能：返回数组的一行或在一定跨度内的行
	//	arr
	//	输入数组。 
	//	submat
	//	指向返回的子数组头的指针。 
	//	row
	//	被选定行的索引下标，索引下标从0开始。 
	//	start_row
	//	跨度的开始行（包括此行）索引下标，索引下标从0开始。 
	//	end_row
	//	跨度的结束行（不包括此行）索引下标，索引下标从0开始。 
	//	delta_row
	//	在跨度内的索引下标跨步，从开始行到结束行每隔delta_row行提取一行。 

	cvGetRows( trainData, &trainData1, 0, train_sample_count/2 );

/*	函数原型：void cvRandArr( CvRNG* rng, CvArr* arr, int dist_type, CvScalar param1, CvScalar param2 );
	功能：用随机数填充数组并更新 RNG 状态
		rng
		被 cvRNG 初始化的 RNG 状态. 
		arr
		输出数组 
		dist_type
分布类型:

	    CV_RAND_UNI - 均匀分布 
		CV_RAND_NORMAL - 正态分布 或者 高斯分布 

		param1
		分布的第一个参数。如果是均匀分布它是随机数范围的闭下边界。如果是正态分布它是随机数的平均值。 
		param2
		分布的第二个参数。如果是均匀分布它是随机数范围的开上边界。如果是正态分布它是随机数的标准差。*/ 
	cvRandArr( &rng_state, &trainData1, CV_RAND_NORMAL, cvScalar(200,200), cvScalar(50,50) );

	cvGetRows( trainData, &trainData2, train_sample_count/2, train_sample_count );
	cvRandArr( &rng_state, &trainData2, CV_RAND_NORMAL, cvScalar(300,300), cvScalar(50,50) );

	cvGetRows( trainClasses, &trainClasses1, 0, train_sample_count/2 );
	cvSet( &trainClasses1, cvScalar(1) );

	cvGetRows( trainClasses, &trainClasses2, train_sample_count/2, train_sample_count );
	cvSet( &trainClasses2, cvScalar(2) );

	// learn classifier
	CvKNearest knn( trainData, trainClasses, 0, false, K );
	CvMat* nearests = cvCreateMat( 1, K, CV_32FC1);

	for( i = 0; i < img->height; i++ )
	{
		for( j = 0; j < img->width; j++ )
		{
			sample.data.fl[0] = (float)j;
			sample.data.fl[1] = (float)i;

			// estimates the response and get the neighbors' labels
			response = knn.find_nearest(&sample,K,0,0,nearests,0);

			// compute the number of neighbors representing the majority
			for( k = 0, accuracy = 0; k < K; k++ )
			{
				if( nearests->data.fl[k] == response)
					accuracy++;
			}
			// highlight the pixel depending on the accuracy (or confidence)
			cvSet2D( img, i, j, response == 1 ?
				(accuracy > 5 ? CV_RGB(180,0,0) : CV_RGB(180,120,0)) :
				(accuracy > 5 ? CV_RGB(0,180,0) : CV_RGB(120,120,0)) );
		}
	}

	// display the original training samples
	for( i = 0; i < train_sample_count/2; i++ )
	{
		CvPoint pt;
		pt.x = cvRound(trainData1.data.fl[i*2]);
		pt.y = cvRound(trainData1.data.fl[i*2+1]);
		cvCircle( img, pt, 2, CV_RGB(255,0,0), CV_FILLED );
		pt.x = cvRound(trainData2.data.fl[i*2]);
		pt.y = cvRound(trainData2.data.fl[i*2+1]);
		cvCircle( img, pt, 2, CV_RGB(0,255,0), CV_FILLED );
	}

	cvNamedWindow( "classifier result", 1 );
	cvShowImage( "classifier result", img );
	cvWaitKey(0);

	cvReleaseMat( &trainClasses );
	cvReleaseMat( &trainData );
	return 0;
}