OpenCV.js 如何进行机器学习任务？

OpenCV.js 支持多种机器学习算法，虽然不如专门的机器学习库强大，但对于许多计算机视觉任务已经足够。以下是 OpenCV.js 中可用的机器学习功能：

1. 机器学习算法概述

OpenCV.js 提供的机器学习算法包括：

• K-近邻（KNN）：用于分类和回归
• 支持向量机（SVM）：用于分类和回归
• 决策树：用于分类和回归
• 随机森林：集成学习方法
• Boosting：AdaBoost 等提升算法
• 神经网络：基础的 MLP 神经网络

2. K-近邻（KNN）分类

javascript
function knnClassification() {
  // 准备训练数据
  let trainData = cv.matFromArray(6, 2, cv.CV_32FC1, [
    1.0, 1.1,
    1.0, 1.0,
    0.0, 0.0,
    0.0, 0.1,
    0.1, 0.0,
    0.1, 0.1
  ]);
  
  let labels = cv.matFromArray(6, 1, cv.CV_32SC1, [0, 0, 1, 1, 1, 1]);
  
  // 创建 KNN 模型
  let knn = new cv.ml.KNearest();
  knn.setDefaultK(3);
  knn.setIsClassifier(true);
  
  // 训练模型
  knn.train(trainData, cv.ml.ROW_SAMPLE, labels);
  
  // 预测新样本
  let newSample = cv.matFromArray(1, 2, cv.CV_32FC1, [0.5, 0.5]);
  let results = new cv.Mat();
  let neighbors = new cv.Mat();
  let dist = new cv.Mat();
  
  knn.findNearest(newSample, 3, results, neighbors, dist);
  
  console.log('Predicted class:', results.data32S[0]);
  
  // 清理
  trainData.delete();
  labels.delete();
  newSample.delete();
  results.delete();
  neighbors.delete();
  dist.delete();
  knn.clear();
}

3. 支持向量机（SVM）

javascript
function svmClassification() {
  // 准备训练数据
  let trainData = cv.matFromArray(4, 2, cv.CV_32FC1, [
    1.0, 1.0,
    2.0, 2.0,
    -1.0, -1.0,
    -2.0, -2.0
  ]);
  
  let labels = cv.matFromArray(4, 1, cv.CV_32SC1, [1, 1, -1, -1]);
  
  // 创建 SVM 模型
  let svm = cv.ml.SVM.create();
  svm.setType(cv.ml.SVM_C_SVC);
  svm.setKernel(cv.ml.SVM_LINEAR);
  svm.setTermCriteria(new cv.TermCriteria(cv.TermCriteria_MAX_ITER, 100, 1e-6));
  
  // 训练模型
  svm.train(trainData, cv.ml.ROW_SAMPLE, labels);
  
  // 预测
  let testSample = cv.matFromArray(1, 2, cv.CV_32FC1, [1.5, 1.5]);
  let response = svm.predict(testSample);
  
  console.log('Predicted class:', response);
  
  // 清理
  trainData.delete();
  labels.delete();
  testSample.delete();
  svm.clear();
}

4. 决策树

javascript
function decisionTreeClassification() {
  // 准备训练数据
  let trainData = cv.matFromArray(10, 2, cv.CV_32FC1, [
    1.0, 1.0,
    1.0, 2.0,
    2.0, 1.0,
    2.0, 2.0,
    3.0, 1.0,
    3.0, 2.0,
    1.0, 3.0,
    2.0, 3.0,
    3.0, 3.0,
    4.0, 3.0
  ]);
  
  let labels = cv.matFromArray(10, 1, cv.CV_32SC1, [0, 0, 0, 0, 0, 0, 1, 1, 1, 1]);
  
  // 创建决策树
  let dtree = cv.ml.DTrees.create();
  dtree.setMaxDepth(5);
  dtree.setMinSampleCount(2);
  dtree.setCVFolds(0);
  
  // 训练
  dtree.train(trainData, cv.ml.ROW_SAMPLE, labels);
  
  // 预测
  let testSample = cv.matFromArray(1, 2, cv.CV_32FC1, [2.5, 2.5]);
  let response = dtree.predict(testSample);
  
  console.log('Predicted class:', response);
  
  // 清理
  trainData.delete();
  labels.delete();
  testSample.delete();
  dtree.clear();
}

5. 随机森林

javascript
function randomForestClassification() {
  // 准备训练数据
  let trainData = cv.matFromArray(20, 2, cv.CV_32FC1, [
    // 类别 0
    1.0, 1.0, 1.0, 2.0, 2.0, 1.0, 2.0, 2.0,
    1.5, 1.5, 1.5, 2.5, 2.5, 1.5, 2.5, 2.5,
    // 类别 1
    4.0, 4.0, 4.0, 5.0, 5.0, 4.0, 5.0, 5.0,
    4.5, 4.5, 4.5, 5.5, 5.5, 4.5, 5.5, 5.5
  ]);
  
  let labels = cv.matFromArray(20, 1, cv.CV_32SC1, [
    0, 0, 0, 0, 0, 0, 0, 0,
    1, 1, 1, 1, 1, 1, 1, 1
  ]);
  
  // 创建随机森林
  let rf = cv.ml.RTrees.create();
  rf.setMaxDepth(10);
  rf.setMinSampleCount(2);
  rf.setActiveVarCount(0);
  rf.setTermCriteria(new cv.TermCriteria(cv.TermCriteria_MAX_ITER, 100, 0.01));
  
  // 训练
  rf.train(trainData, cv.ml.ROW_SAMPLE, labels);
  
  // 预测
  let testSample = cv.matFromArray(1, 2, cv.CV_32FC1, [3.0, 3.0]);
  let response = rf.predict(testSample);
  
  console.log('Predicted class:', response);
  
  // 清理
  trainData.delete();
  labels.delete();
  testSample.delete();
  rf.clear();
}

6. AdaBoost

javascript
function adaboostClassification() {
  // 准备训练数据
  let trainData = cv.matFromArray(10, 2, cv.CV_32FC1, [
    1.0, 1.0,
    1.0, 2.0,
    2.0, 1.0,
    2.0, 2.0,
    4.0, 4.0,
    4.0, 5.0,
    5.0, 4.0,
    5.0, 5.0,
    3.0, 3.0,
    3.5, 3.5
  ]);
  
  let labels = cv.matFromArray(10, 1, cv.CV_32SC1, [0, 0, 0, 0, 1, 1, 1, 1, 0, 0]);
  
  // 创建 AdaBoost
  let boost = cv.ml.Boost.create();
  boost.setBoostType(cv.ml.DISCRETE);
  boost.setWeakCount(100);
  boost.setWeightTrimRate(0.95);
  boost.setMaxDepth(2);
  
  // 训练
  boost.train(trainData, cv.ml.ROW_SAMPLE, labels);
  
  // 预测
  let testSample = cv.matFromArray(1, 2, cv.CV_32FC1, [3.0, 3.0]);
  let response = boost.predict(testSample);
  
  console.log('Predicted class:', response);
  
  // 清理
  trainData.delete();
  labels.delete();
  testSample.delete();
  boost.clear();
}

7. 神经网络（MLP）

javascript
function mlpClassification() {
  // 准备训练数据（XOR 问题）
  let trainData = cv.matFromArray(4, 2, cv.CV_32FC1, [
    0.0, 0.0,
    0.0, 1.0,
    1.0, 0.0,
    1.0, 1.0
  ]);
  
  let labels = cv.matFromArray(4, 1, cv.CV_32FC1, [0.0, 1.0, 1.0, 0.0]);
  
  // 创建神经网络
  let layers = new cv.Mat();
  layers.push_back(new cv.Scalar(2));  // 输入层：2 个神经元
  layers.push_back(new cv.Scalar(4));  // 隐藏层：4 个神经元
  layers.push_back(new cv.Scalar(1));  // 输出层：1 个神经元
  
  let mlp = cv.ml.ANN_MLP.create();
  mlp.setLayerSizes(layers);
  mlp.setActivationFunction(cv.ml.ANN_MLP_SIGMOID_SYM, 1, 1);
  mlp.setTrainMethod(cv.ml.ANN_MLP_BACKPROP);
  mlp.setBackpropWeightScale(0.1);
  mlp.setBackpropMomentumScale(0.1);
  mlp.setTermCriteria(new cv.TermCriteria(cv.TermCriteria_MAX_ITER + cv.TermCriteria_EPS, 10000, 1e-6));
  
  // 训练
  mlp.train(trainData, cv.ml.ROW_SAMPLE, labels);
  
  // 预测
  let testSample = cv.matFromArray(1, 2, cv.CV_32FC1, [0.0, 1.0]);
  let response = new cv.Mat();
  mlp.predict(testSample, response);
  
  console.log('Predicted output:', response.data32F[0]);
  
  // 清理
  trainData.delete();
  labels.delete();
  testSample.delete();
  response.delete();
  layers.delete();
  mlp.clear();
}

8. 实际应用：图像分类

javascript
class ImageClassifier {
  constructor() {
    this.model = null;
    this.featureExtractor = null;
  }
  
  // 提取图像特征
  extractFeatures(image) {
    let mat = cv.imread(image);
    let gray = new cv.Mat();
    let features = new cv.Mat();
    
    try {
      cv.cvtColor(mat, gray, cv.COLOR_RGBA2GRAY);
      
      // 计算直方图作为特征
      let histSize = [16];
      let ranges = [0, 256];
      cv.calcHist([gray], [0], new cv.Mat(), features, histSize, ranges);
      
      // 归一化
      cv.normalize(features, features, 0, 1, cv.NORM_MINMAX);
      
      return features;
    } finally {
      mat.delete();
      gray.delete();
    }
  }
  
  // 训练分类器
  async trainClassifier(imagePaths, labels) {
    let trainData = new cv.Mat();
    let trainLabels = new cv.Mat();
    
    for (let i = 0; i < imagePaths.length; i++) {
      const img = document.getElementById(imagePaths[i]);
      const features = this.extractFeatures(img);
      
      if (i === 0) {
        features.copyTo(trainData);
      } else {
        trainData.push_back(features);
      }
      
      trainLabels.push_back(labels[i]);
      features.delete();
    }
    
    // 使用 SVM 分类器
    this.model = cv.ml.SVM.create();
    this.model.setType(cv.ml.SVM_C_SVC);
    this.model.setKernel(cv.ml.SVM_RBF);
    this.model.setC(1);
    this.model.setGamma(0.5);
    this.model.train(trainData, cv.ml.ROW_SAMPLE, trainLabels);
    
    trainData.delete();
    trainLabels.delete();
  }
  
  // 预测图像类别
  predict(image) {
    const features = this.extractFeatures(image);
    const response = this.model.predict(features);
    features.delete();
    return response;
  }
  
  // 清理
  cleanup() {
    if (this.model) {
      this.model.clear();
    }
  }
}

9. 性能优化建议

1. 数据预处理：归一化输入数据，提高训练效率
2. 特征选择：选择最具区分度的特征
3. 模型选择：根据数据特点选择合适的算法
4. 交叉验证：使用交叉验证评估模型性能
5. 参数调优：调整超参数获得最佳性能

总结

OpenCV.js 提供的机器学习功能虽然不如专门的机器学习库（如 TensorFlow.js）强大，但对于许多传统的计算机视觉任务已经足够。在选择使用 OpenCV.js 的机器学习功能时，需要考虑：

• 任务复杂度：简单分类任务适合，复杂深度学习任务建议使用 TensorFlow.js
• 性能要求：实时性要求高的任务需要优化算法和数据
• 数据规模：小规模数据集适合，大规模数据建议使用后端处理
• 精度要求：高精度要求可能需要更强大的机器学习框架