OpenCV kNN训练报错求助：训练数据需为浮点型矩阵

让我们一步步排查和解决你的问题：

1. 核心错误原因 #

你遇到的cvCheckTrainData错误，本质是因为传入knn.train()的train数据形状不符合要求——OpenCV的kNN期望2维浮点矩阵（样本数 × 单样本特征数），但你当前的train是4维数组（拆分后的行 × 每行单元格数 × 图像高度 × 图像宽度），同时还存在拆分行数错误、标签数量不匹配的问题。

2. 分步修正代码 #

第一步：修正图像拆分逻辑 #

你的原图是468x108，每行39个数字、共9行，所以每个数字的原始尺寸是468/39=12px宽，108/9=12px高。经过resize(fx=2, fy=2)后，每个数字变成24x24px，此时应该把灰度图垂直拆分成9行（而非你代码中的12行）：

# 修正vsplit的参数为9，对应9行数字
cells = [np.hsplit(row, 39) for row in np.vsplit(gray, 9)]

第二步：将图像数据转换为kNN所需的2维浮点矩阵 #

拆分后的cells是嵌套列表，转成numpy数组后是(9, 39, 24, 24)的4维结构，我们需要把每个24x24的数字图像展平成1维向量，最终得到351 × 576的矩阵（351=9×39个样本，576=24×24个特征）：

x = np.array(cells)
# 展平每个数字图像为一维，并转换为float32类型
train = x.reshape(-1, 24*24).astype(np.float32)

第三步：修正训练标签的数量 #

你的数据集总共有9×39=351个样本，数字1-9每个应该出现39次（而非你代码中的468次），所以标签数组要对应调整：

k = [1,2,3,4,5,6,7,8,9]
# 每个数字重复39次，总数量351，和样本数匹配
train_labels = np.repeat(k, 39)[:, np.newaxis]

第四步：验证数据形状（可选但推荐） #

在训练前可以打印形状，确保符合要求：

print("Train data shape:", train.shape)  # 预期输出 (351, 576)
print("Train labels shape:", train_labels.shape)  # 预期输出 (351, 1)

3. 修正后的完整代码 #

import cv2
import numpy as np

image = cv2.imread('images/digits_sudoku4.png')
image = cv2.resize(image, None, fx=2, fy=2)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 修正拆分逻辑：9行，每行39个数字
cells = [np.hsplit(row, 39) for row in np.vsplit(gray, 9)]
x = np.array(cells)

# 转换为kNN需要的2维浮点矩阵
train = x.reshape(-1, 24*24).astype(np.float32)

# 生成匹配的训练标签
k = [1,2,3,4,5,6,7,8,9]
train_labels = np.repeat(k, 39)[:, np.newaxis]

# 初始化并训练kNN
knn = cv2.KNearest()
knn.train(train, train_labels)

cv2.imshow('Sudoku', gray)
cv2.waitKey(0)
cv2.destroyAllWindows()

额外提示 #

• 如果你后续要测试模型，测试数据也需要做同样的展平处理，确保特征数和训练数据一致（都是576）。
• 注意OpenCV 2.4的KNearest是旧版API，如果你后续升级到OpenCV 3+，可以使用cv2.ml.KNearest_create()，API会有一些变化，但核心逻辑是一样的。

内容的提问来源于stack exchange，提问作者Mumbaikar007