图像识别（无参模型）— KNN分类器
图像识别的机器学习方法介绍：
第一阶段：
1.收集大量数据，以及对应的类别(label)
2.利用机器学习方法，训练出一个图像分类器F
第二阶段：
1.对新的图像x，用分类器F预测出类别y=F(x)
引入KNN分类器:
KNN Classifier(K近邻分类)：
训练阶段：只需要记录每一个样本的类别即可
测试阶段：计算新图像x与每一个训练样本x(i)的距离d(x,x(i))
找出与x距离最近的k个训练样本
用这k个训练样本中最多数类别作为x的类别
大概流程说完了，接下来看一个示例：
图中在训练阶段记住了哪些是红色的，哪些是黑色以及蓝色，接着在预测时输入的绿色点，则计算与之最近的k个距离的类别，图中选的是k=3，此时发现于绿色点最近的3个样本都是红色，则判定输入的类别和红色的相同。
讲到这里，我觉得KNN算法应该都能被很好的理解了。
存在的三个问题:
1.如何表示图像x？
2.如何计算距离d(x,x(i))？
3.如何设置合适的k？
问题解答:
1.在计算机视觉中，我们一般使用原始像素值来表示图像。一般彩色图像是由RGB三通道的像素值叠加而成，黑白图片则是单通道的像素值。
输入原始图像假设为256 * 300 * 3，将其进行缩放(resize)为64 * 64 * 3:
再对其进行拉直(flatten)：
图像的表示就大概为这个方式。2.用欧氏距离来计算图像向量之间的距离。
3.k的选取这个问题其实不是太容易抉择，在李航的《统计学习方法》中写到：实际应用中，K值一般取一个比较小的数值，例如采用交叉验证法（简单来说，就是一部分样本做训练集，一部分做测试集）来选择最优的K值。
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
