pythonK-最近邻类型错误：不支持样本数据类型=17

我尝试使用SIFT对一些图像进行分类，以检测和计算关键点和描述符，然后使用KNN对它们进行分类：

这是我的小代码：

import os
import cv2

## Prepare images files
rootpath = '/Some/Directory'
files = []
for filedir, dirs, filess in os.walk(rootpath):
    for filename in filess:
        pathfile = os.path.join(filedir, filename)
        files.append(pathfile) 

## Detect keypoints and compute descriptors for train images
kp_train = []
dsc_train = []
for file in files:
    ima = cv2.imread(file)
    gray=cv2.cvtColor(ima,cv2.COLOR_BGR2GRAY)
    kpts, des = sift.detectAndCompute(gray, None) 
    kp_train.append(kpts)
    dsc_train.append(des)

## Train knn
dsc_train = np.array(dsc_train)
responses = np.arange(len(kp_train),dtype = np.float32)
knn = cv2.ml.KNearest_create()
knn.train(dsc_train, cv2.ml.ROW_SAMPLE, responses)

但我有点被下一个错误缠住了

>>> knn.train(dsc_train,cv2.ml.ROW_SAMPLE,responses)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: dsc_train data type = 17 is not supported

>knn.train（dsc\u train，cv2.ml.ROW\u样本，响应）
回溯（最近一次呼叫最后一次）：
文件“”，第1行，在
类型错误：不支持dsc\U列车数据类型=17

文件是一个包含10个图像的列表，因此循环检测并计算每个图像的关键点和描述符。我给你一些图片。谢谢

---

无论如何，我觉得你少了一行

import numpy as np

及

在代码的某个地方

对于我来说，下面附上了实际再现您的问题的代码（包括由于我的CV 2.4.12版本而进行的一些更改）

然而，我担心您选择的方法根本不适用于K-最近邻（KNN）。KNN测量属于不同样本的特征向量之间的距离。然而，对于所有特征向量，向量的每个分量需要具有相同的含义（例如，一个特征是图像的平均亮度值）。因此，该功能始终需要显示在向量的相同位置

在SUFT中，您正在创建不同图像关键点的坐标。最重要的是，每个图像的特征向量长度不同，因此无法应用kNN。显然，这些坐标作为用于比较不同图像的特征向量的一部分没有意义

import os
import cv2 #Using CV 2.4.12
import numpy as np

## Prepare images files
rootpath = 'images/'
files = []
for filedir, dirs, filess in os.walk(rootpath):
    for filename in filess:
        pathfile = os.path.join(filedir, filename)
        files.append(pathfile) 

print files

## Detect keypoints and compute descriptors for train images
kp_train = []
dsc_train = []
sift = cv2.SIFT()
for file in files:
    ima = cv2.imread(file)
    print file
    gray=cv2.cvtColor(ima,cv2.COLOR_BGR2GRAY)
    kpts, des = sift.detectAndCompute(gray, None) #sift = cv2.xfeatures2d.SIFT_create()
    kp_train.append(kpts)
    dsc_train.append(des)

## Train knn
dsc_train = np.array(dsc_train)
responses = np.arange(len(kp_train),dtype = np.float32)
knn = cv2.KNearest()

#Next line does not work:
knn.train(dsc_train, responses)

---

你能用三张图片来演示一组简化的示例日期吗？如果代码完整（包括导入语句、文件名等）且数据可用，我们可以复制它，你可能会得到更快的响应。@tfv我编辑了这篇文章。检查一下。感谢您的建议，我的第一个想法是使用特性（例如纹理特性）而不是关键点来处理这类图像，但我会试着看看。您使用的是什么版本的cv2？哦，我明白了，是的，我忘了在代码中包含这些行，我的错误。谢谢，@tfv帮我澄清了很多事情，谢谢。OpenCV的版本是3.1.0，带有来自ITSEZ/OpenCV_contrib github存储库的额外模块

import os
import cv2 #Using CV 2.4.12
import numpy as np

## Prepare images files
rootpath = 'images/'
files = []
for filedir, dirs, filess in os.walk(rootpath):
    for filename in filess:
        pathfile = os.path.join(filedir, filename)
        files.append(pathfile) 

print files

## Detect keypoints and compute descriptors for train images
kp_train = []
dsc_train = []
sift = cv2.SIFT()
for file in files:
    ima = cv2.imread(file)
    print file
    gray=cv2.cvtColor(ima,cv2.COLOR_BGR2GRAY)
    kpts, des = sift.detectAndCompute(gray, None) #sift = cv2.xfeatures2d.SIFT_create()
    kp_train.append(kpts)
    dsc_train.append(des)

## Train knn
dsc_train = np.array(dsc_train)
responses = np.arange(len(kp_train),dtype = np.float32)
knn = cv2.KNearest()

#Next line does not work:
knn.train(dsc_train, responses)