KNN识别LED数码管

#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）））;
}