学院:电子工程学院
学号:14020199025
姓名:徐铭晟
【嵌牛导读】：计算机视觉中非常热门的一个课题就是图像识别，在传统的搜图功能中，图片的类标签往往是由图片发布网页的关键词组成的，这种方式往往效果很差。在图像识别这种技术发展起来后，搜图等一系列基于此的应用会有更好的发展
【嵌牛鼻子】：监督学习 KNN 图像分类
【嵌牛正文】：
计算机视觉中非常热门的一个课题就是图像识别，在传统的搜图功能中，图片的类标签往往是由图片发布网页的关键词组成的，这种方式往往效果很差。在图像识别这种技术发展起来后，搜图等一系列基于此的应用会有更好的发展。
在讲具体算法之前，我们先简单介绍一下监督学习和knn。
监督学习是从标记的训练数据来推断一个功能的机器学习任务。具体到图像识别这个任务中，简单的例子便是分别给机器100张猫
和狗的图片，并告诉机器这张图是猫...这张图是狗....通过这些训练样本，给机器一个判别图片是猫还是狗的评价标准。当我们拿出一张机器没见过的图片，输给机器，机器能基于之前的训练数据，给出一个恰当的结果。
kNN分类算法是数据挖掘分类技术中最简单的方法之一。所谓K最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表。
kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别， kNN方法在类别决策时，只与极少量的相邻样本有关。
简要得介绍了knn算法后如何将此算法应用于图像分类问题?
大家自然想到，通过判断我们需要判断类的图片与训练样本的相似程度，设定合理的k值，我们就可以得到基本的分类器。但是如何判断图片之间的相似度?
一个常用的算法即为欧式距离法。上节我们讲到，一张图片在计算机中是基于像素点存储的，每个像素点即为一个数据点，有了这个知识，我们很容易想到，可以利用两张图片中各个像素点的数据差的平方加权和 来表示两张图片之间的欧式距离。利用欧式距离产生的相似度，加上knn算法，我们很容易就可以构建出一个分类器。实践证明，在pascal数据集中，当设置k值为7得到的分类精度最为理想，约为25%。很容易看出这个算法的弊端，当相同的图片，经过一定的平移，旋转，虽然为一样的物体信息，两张图片的欧式距离相差很可能巨大。要想提升图片识别的准确率，knn算法自然是不够的。
