【OpenCV 入门到精通 11】机器学习应用：KNN、SVM 与 K-Means 实战

hhzz2026-09-19 11:32

【OpenCV 入门到精通 11】机器学习应用：KNN、SVM 与 K-Means 实战

标签 ：OpenCV KNN SVM K-Means 机器学习 OCR

难度 ：⭐⭐⭐⭐ | 阅读时长 ：约 60 分钟 | 系列 ：第 11/12 集

前置 ：10 视频分析 | 下一集 ：12 综合实战

写在前面

深度学习之前，传统机器学习 是 CV 的主流方案。OpenCV 内置了 KNN、SVM、K-Means 等经典算法，至今仍在 OCR、简单分类等场景有用。本集对应官方 第8章 机器学习。

本集学习目标

  • 使用 KNN 进行手写数字识别
  • 使用 SVM 进行分类
  • 使用 K-Means 进行图像分割
  • 理解传统 ML 与深度学习的适用边界

文章目录

  • [【OpenCV 入门到精通 11】机器学习应用：KNN、SVM 与 K-Means 实战](#【OpenCV 入门到精通 11】机器学习应用：KNN、SVM 与 K-Means 实战)
    • 写在前面
    • 本集学习目标
    • [11.1 OpenCV ML 模块](#11.1 OpenCV ML 模块)
    • [11.2 KNN 手写数字识别](#11.2 KNN 手写数字识别)
      • [简化版：用 sklearn 数据](#简化版：用 sklearn 数据)
    • [11.3 SVM 分类](#11.3 SVM 分类)
      • [SVM 核函数](#SVM 核函数)
    • [11.4 K-Means 聚类](#11.4 K-Means 聚类)
    • [11.5 传统 ML vs 深度学习](#11.5 传统 ML vs 深度学习)
    • [11.6 踩坑指南](#11.6 踩坑指南)
    • [11.7 本集小结](#11.7 本集小结)

11.1 OpenCV ML 模块

算法 类 用途
KNN cv2.ml.KNearest_create() 最近邻分类
SVM cv2.ml.SVM_create() 支持向量机
决策树 cv2.ml.DTrees_create() 决策树
随机森林 cv2.ml.RTrees_create() 集成学习
贝叶斯 cv2.ml.NormalBayesClassifier_create() 朴素贝叶斯
K-Means cv2.kmeans() 聚类

通用流程

#mermaid-svg-Ks1HSrQfksnZtHak{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-Ks1HSrQfksnZtHak .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-Ks1HSrQfksnZtHak .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-Ks1HSrQfksnZtHak .error-icon{fill:#552222;}#mermaid-svg-Ks1HSrQfksnZtHak .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-Ks1HSrQfksnZtHak .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-Ks1HSrQfksnZtHak .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-Ks1HSrQfksnZtHak .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-Ks1HSrQfksnZtHak .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-Ks1HSrQfksnZtHak .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-Ks1HSrQfksnZtHak .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-Ks1HSrQfksnZtHak .marker{fill:#333333;stroke:#333333;}#mermaid-svg-Ks1HSrQfksnZtHak .marker.cross{stroke:#333333;}#mermaid-svg-Ks1HSrQfksnZtHak svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-Ks1HSrQfksnZtHak p{margin:0;}#mermaid-svg-Ks1HSrQfksnZtHak .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-Ks1HSrQfksnZtHak .cluster-label text{fill:#333;}#mermaid-svg-Ks1HSrQfksnZtHak .cluster-label span{color:#333;}#mermaid-svg-Ks1HSrQfksnZtHak .cluster-label span p{background-color:transparent;}#mermaid-svg-Ks1HSrQfksnZtHak .label text,#mermaid-svg-Ks1HSrQfksnZtHak span{fill:#333;color:#333;}#mermaid-svg-Ks1HSrQfksnZtHak .node rect,#mermaid-svg-Ks1HSrQfksnZtHak .node circle,#mermaid-svg-Ks1HSrQfksnZtHak .node ellipse,#mermaid-svg-Ks1HSrQfksnZtHak .node polygon,#mermaid-svg-Ks1HSrQfksnZtHak .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-Ks1HSrQfksnZtHak .rough-node .label text,#mermaid-svg-Ks1HSrQfksnZtHak .node .label text,#mermaid-svg-Ks1HSrQfksnZtHak .image-shape .label,#mermaid-svg-Ks1HSrQfksnZtHak .icon-shape .label{text-anchor:middle;}#mermaid-svg-Ks1HSrQfksnZtHak .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-Ks1HSrQfksnZtHak .rough-node .label,#mermaid-svg-Ks1HSrQfksnZtHak .node .label,#mermaid-svg-Ks1HSrQfksnZtHak .image-shape .label,#mermaid-svg-Ks1HSrQfksnZtHak .icon-shape .label{text-align:center;}#mermaid-svg-Ks1HSrQfksnZtHak .node.clickable{cursor:pointer;}#mermaid-svg-Ks1HSrQfksnZtHak .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-Ks1HSrQfksnZtHak .arrowheadPath{fill:#333333;}#mermaid-svg-Ks1HSrQfksnZtHak .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-Ks1HSrQfksnZtHak .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-Ks1HSrQfksnZtHak .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-Ks1HSrQfksnZtHak .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-Ks1HSrQfksnZtHak .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-Ks1HSrQfksnZtHak .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-Ks1HSrQfksnZtHak .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-Ks1HSrQfksnZtHak .cluster text{fill:#333;}#mermaid-svg-Ks1HSrQfksnZtHak .cluster span{color:#333;}#mermaid-svg-Ks1HSrQfksnZtHak div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-Ks1HSrQfksnZtHak .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-Ks1HSrQfksnZtHak rect.text{fill:none;stroke-width:0;}#mermaid-svg-Ks1HSrQfksnZtHak .icon-shape,#mermaid-svg-Ks1HSrQfksnZtHak .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-Ks1HSrQfksnZtHak .icon-shape p,#mermaid-svg-Ks1HSrQfksnZtHak .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-Ks1HSrQfksnZtHak .icon-shape .label rect,#mermaid-svg-Ks1HSrQfksnZtHak .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-Ks1HSrQfksnZtHak .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-Ks1HSrQfksnZtHak .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-Ks1HSrQfksnZtHak :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 准备数据
特征提取
训练模型
预测
评估

11.2 KNN 手写数字识别

python 复制代码 
import cv2
import numpy as np

# 加载 OpenCV 自带的手写数字样本
samples = np.loadtxt("digits.png", np.float32)
samples = samples.reshape(-1, 20, 20)  # 5000 个 20x20 图像

# 准备训练数据
train_data = samples.reshape(-1, 400).astype(np.float32)
labels = np.repeat(np.arange(10), 250)[:, np.newaxis].astype(np.float32)

knn = cv2.ml.KNearest_create()
knn.train(train_data, cv2.ml.ROW_SAMPLE, labels)

# 预测
test_sample = samples[1023].reshape(1, 400).astype(np.float32)
ret, result, neighbours, dist = knn.findNearest(test_sample, k=5)
print(f"预测: {int(result[0][0])}")

简化版：用 sklearn 数据

python 复制代码 
from sklearn.datasets import load_digits
import cv2
import numpy as np

digits = load_digits()
X = digits.data.astype(np.float32)
y = digits.target.astype(np.float32)

# 划分训练/测试
split = int(0.8 * len(X))
knn = cv2.ml.KNearest_create()
knn.train(X[:split], cv2.ml.ROW_SAMPLE, y[:split])

correct = 0
for i in range(split, len(X)):
    _, result, _, _ = knn.findNearest(X[i:i+1], k=5)
    if int(result[0][0]) == int(y[i]):
        correct += 1
print(f"准确率: {correct/(len(X)-split)*100:.1f}%")

11.3 SVM 分类

python 复制代码 
import cv2
import numpy as np

# 生成简单二分类数据
np.random.seed(42)
data1 = np.random.randn(50, 2).astype(np.float32) + np.array([2, 2])
data2 = np.random.randn(50, 2).astype(np.float32) + np.array([-2, -2])
train_data = np.vstack([data1, data2])
labels = np.array([1]*50 + [-1]*50, dtype=np.float32)

svm = cv2.ml.SVM_create()
svm.setType(cv2.ml.SVM_C_SVC)
svm.setKernel(cv2.ml.SVM_LINEAR)
svm.train(train_data, cv2.ml.ROW_SAMPLE, labels)

# 预测
test = np.array([[0, 0]], dtype=np.float32)
_, result = svm.predict(test)
print(f"预测类别: {int(result[0][0])}")

SVM 核函数

核 适用
SVM_LINEAR 线性可分
SVM_RBF 非线性（最常用）
SVM_POLY 多项式
SVM_SIGMOID S 形

11.4 K-Means 聚类

将图像像素按颜色聚类，实现简单分割：

python 复制代码 
import cv2
import numpy as np

img = cv2.imread("photo.jpg")
data = img.reshape((-1, 3)).astype(np.float32)

K = 3  # 聚类数
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 20, 1.0)
_, labels, centers = cv2.kmeans(data, K, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS)

centers = np.uint8(centers)
segmented = centers[labels.flatten()].reshape(img.shape)

cv2.imshow("K-Means", segmented)
cv2.waitKey(0)
参数 说明
K 聚类数量
criteria 终止条件
attempts 不同初始化的尝试次数

11.5 传统 ML vs 深度学习

维度 传统 ML (KNN/SVM) 深度学习 (YOLO/CNN)
特征 需手工设计 自动学习
数据量 小数据可用 需要大量数据
速度 快 较慢（GPU 加速）
精度 简单任务够用 复杂任务更强
可解释性 较好 较差

💡 选择建议：OCR 简单场景、颜色聚类 → 传统 ML；目标检测、复杂分类 → 深度学习。

11.6 踩坑指南

坑 解决
数据类型错误 训练数据用 float32
KNN k 值不当 通常 k=3~7，奇数
SVM 训练慢 减少数据量或换 LINEAR 核
K-Means 结果随机 增加 attempts

11.7 本集小结

算法 场景 核心 API
KNN 简单分类、OCR KNearest_create().train()
SVM 二/多分类 SVM_create().train()
K-Means 颜色聚类/分割 cv2.kmeans()
← 第10集 第12集：综合实战 →

参考：8_1 KNN | 8_3 SVM | 8_5 K-Means

相关推荐
行走的陀螺仪4 小时前
【转型攻略】2026 年，后端 / 全栈工程师转 AI Agent 方向：能力地图、按周学习路线与面试要点
人工智能·面试·职场和发展
ZhengEnCi4 小时前
2026年10月AI大事盘点：世界模型、开源万亿参数与智能体激战
人工智能·llm·ai编程
hgy89694 小时前
深度学习（小白笔记）——迁徙
人工智能·笔记·深度学习
曲径海盗4 小时前
【Python 学习第 41 天】for 循环
python·学习笔记·编程入门
摇滚侠4 小时前
《On Java 中文版 基础卷》阅读笔记 实现隐藏 11
java·笔记·python
沧海一笑-dj4 小时前
【Python】Python学习笔记-模块与包
python·pip·模块·包·python包·python模块·包与模块
小蒋观天下4 小时前
雷击与浪涌防护：前端SPD选型、接地网误区，接地不当反而引入干扰
深度学习·算法·机器学习
echome8884 小时前
Python 异常处理：try、else、finally 的正确搭配
开发语言·前端·python·异常处理·编程技巧
云和数据.ChenGuang4 小时前
Python 单继承与多继承深度剖析：从 MRO 到实战取舍
开发语言·人工智能·python·langchain
热门推荐
01如何新建文件夹？ 电脑新建文件夹的4种方法02国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）03GitHub 镜像站点04历年考研数学一、数学二、数学三真题试卷及答案PDF05几个好用的ip纯净度检测网站06昇腾910B系列芯片完全指南：四款型号对比、服务器选型与大模型部署实战07苹果iPA游戏软件资源下载网站08蜘蛛磁力 搜索引擎大全，如何使用蜘蛛磁力查找磁力链接09Windows 10/11 如何退出微软账户并改用本地账户登录（含找不到选项的解决方法）10CVE-2026-91403 高危漏洞预警：Java JSSE 信任链被攻破 全场景修复方案与Linux系统级彻底清理实操