我的OpenCV学习笔记：使用支持向量机(SVM)

1、我的 OpenCV 学习笔记（六） ：使用支持向量机（ SVM ）SVM 是 2000 年左右提出的一种新的分类方法， 着重解 决了小样本分类问题。具体原理可以参看模式识别的书籍。 OpenCV 中的 SVM 的实现也是基于大名鼎鼎的 SVM 库:cjlin。OpenCV 教程中有两个例子，一个是线性可分的，一个是线性不可分的，我对他 们做了详尽的注释： 先看线性可分时：cpp view plaincopy#include<opencv2/core/core.hpp> #include<opencv2/highgui/highgui.hpp&g

2、t; #include<opencv2/ml/ml.hpp>using namespace cv;int main() / Data for visual representationint width = 512, height = 512;Mat image =Mat:zeros(height, width, CV_8UC3);/ Set uptraining datafloat labels5 = 1.0, -1.0, -1.0, -1.0,1.0;Mat labelsMat(5, 1, CV_32FC1, labels);floattrainingData5

3、2 = 501, 10, 255, 10, 501, 255, 10, 501,501,128 ;Mat trainingDataMat(5, 2,CV_32FC1, trainingData);/设置支持向量机的参数CvSVMParams params;params.svm_type= CvSVM:C_SVC;/SVM 类型：使用 C 支持向量机params.kernel_type = CvSVM:LINEAR;/ 核函数类型： 线性 params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6);/ 终止准 则函数：当迭代次数达

4、到最大值时终止 / 训练 SVM /建立一个 SVM 类的实例 CvSVM SVM;/训练模型，参数为：输入数据、响应、XX、XX、参数(前面设置过) SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);Vec3b green(0,255,0), blue(255,0,0); /显示判决域for (int i = 0; i <image.rows; +i)for (int j = 0; j < image.cols;+j) Mat sampleMat = (Mat_<float&

5、;gt;(1,2) << i,j);/predict 是用来预测的，参数为：样本、返回值类型(如果 值为 ture 而且是一个 2 类问题则返回判决函数值， 否则返回 类标签)、 float response =SVM.predict(sampleMat); if (response = 1) image.at<Vec3b>(j, i) = green; else if (response = -1) image.at<Vec3b>(j, i) = blue; / 画出训练数据int thickness = -

6、1;int lineType =8; circle( image, Point(501, 10), 5, Scalar( 0, 0, 0), thickness, lineType);/ 画圆 circle( image, Point(255, 10), 5, Scalar(255, 255, 255), thickness,lineType);circle( image, Point(501, 255), 5,Scalar(255, 255, 255), thickness, lineType); circle( image, Point( 10, 501), 5, Scalar(255,

7、255, 255), thickness, lineType); circle(image, Point( 501, 128), 5, Scalar(0, 0, 0), thickness, lineType);/ 显示支持向量 thickness = 2; lineType = 8;/ 获取支持向量的个数 int c = SVM.get_support_vector_count();for (int i = 0; i <c; +i) / 获取第 i 个支持向量const float* v = SVM.get_support_vector(i);/ 支持向量用到的样本点，用灰色进

8、行标注 circle( image, Point( (int) v0, (int) v1),6,Scalar(128, 128, 128), thickness, lineType); imwrite("result.png", image);/ save the imageimshow("SVM Simple Example", image); / show it to the user waitKey(0); 线性不可分时由于样本较多，训练的时间比较长： cpp view plaincopy#include <iostream&

9、gt; #include <opencv2/core/core.hpp> #include <opencv2/highgui/highgui.hpp> #includeusing<opencv2/ml/ml.hpp> #include "time.h"namespace cv; using namespace std;/ 程序说明： /一共两个样本集每个样本集有 100 个样本，其中 90 个是线 性可分的， 10 个线型不可分 / 这 200 个样本数据储存在 trainData 内： t

10、rainData 是一个 200 行 2 列的矩阵，其中第 一列储存样本的 X 值，第二列储存的是样本的 Y 值 /每一 列的前 90 个元素是第一类的线性可分部分， 后 90 个元素是 第二类的线性可分部分，中间的 20 个元素是线性不可分部 分 / 第一类样本的 X 值分布在整幅图像的 0,0.4 范围内， 第二类样本的 X 值分布在整幅图像的 0.6,1 范围内，中间的 0.4,0.6 是线性不可分的部分；这三部分的 Y 值都在整幅图 像的高度内自由分布/每个样本集的数量#defineNTRAINING_SAMPLES 100/其中的线性部分#define FRAC_LINEAR_SEP

11、0.9f int main()/定义显示结果的图像/ 图像的宽度、高度const int WIDTH = 512,HEIGHT = 512;Mat image =Mat:zeros(HEIGHT,WIDTH,CV_8UC3);*/* 第一步：设定训练数据1.设定数据结构*/承载训练数据的结构 Mat trainData(2*NTRAINING_SAMPLES,2,CV_32FC1);/承载这些数据分类的结构Matlabels(2*NTRAINING_SAMPLES,1,CV_32FC1);/设定随机数种子部分的数据量RNG rng(100);/设定线性可分int nLinearSamples

12、= (int)*2.设定第一类中的数据*/从整个(NTRAINING_SAMPLES*FRAC_LINEAR_SEP);数据集中取出前 0,89 行/注： *Range 的范围是 a,b)Mat trainClass = trainData.rowRange(0,nLinearSamples); /取出第一列Mat c = trainClass.colRange(0,1);/随机生成 X 的值： 0,0.4*WIDTH rng.fill(c,RNG:UNIFORM,Scalar(1),Scalar(0.4*WIDTH);/取出第二列c = trainClass.colRange(1,2); /

13、随机生成 Y 的值rng.fill(c,RNG:UNIFORM,Scalar(1),Scalar(HEIGHT);*2.设定第二类的数据*/从整个数据中取出 110,199 行 trainClass =trainData.rowRange(2*NTRAINING_SAMPLES-nLinearSa mples,2*NTRAINING_SAMPLES);/ 取出第一列c = trainClass.colRange(0,1);/ 随机生成 X 的值0.6*WIDTH,WIDTHrng.fill(c,RNG:UNIFORM,Scalar(0.6*WIDTH),Scalar(WIDTH);/取出第二列

14、/ 随机生成 Y 的值trainClass.colRange(1,2);rng.fill(c,RNG:UNIFORM,Scalar(1),Scalar(HEIGHT);*3. 设定线性不可分的数据*/取出 90,109 行 trainClass = trainData.rowRange(nLinearSamples,2*NTRAINING_SAMPLES-nLinearSamples); /取出第一列 c = trainClass.colRange(0,1); / 随机生成 X 的值0.4*WIDTH,0.6*WIDTH rng.fill(c,RNG:UNIFORM,Scalar(0.4*WI

15、DTH),Scalar(0.6*WIDTH);/取出第二列c =trainClass.colRange(1,2); / 随机生成 Y 的值rng.fill(c,RNG:UNIFORM,Scalar(1),Scalar(HEIGHT);/*4. 为所有数据设置标签*/前100 个数据设为第一类labels.rowRange(0,NTRAINING_SAMPLES).setTo(1);/后 100 个数据设为第二类labels.rowRange(NTRAINING_SAMPLES,2*NTRAINING_ SAMPLES).setTo(2); /* 第二步：设置 SVM 参数 * CvSVMPar

16、ams params;/终止准则：/SVM 类型： C-Support Vector Classification params.svm_type = SVM:C_SVC; params.C = 0.1;/ 和函数类型： Linear kernel params.kernel_type = SVM:LINEAR;当迭代次数到达最大值后终止 params.term_crit = TermCriteria(CV_TERMCRIT_ITER,(int) 1e7,1e-6);/开始计时/* 第三步：训练 SVM *cout<<" 开始训练过程 "&

17、;lt;<endl;clock_t start,finish;double duration;start =clock();/*1. 建立一个 SVM实例 *CvSVM svm;/*2. 调用训练函数*svm.train(trainData,labels,Mat(),Mat(),params);/ 结束计时 finish = clock();duration =(double)(finish-start) / CLOCKS_PER_SEC;cout<<" 训练过程结束 ,共耗时： "<<duration&

18、amp;lt;<" 秒 "<<endl; /* 第四步：显示判 决域 */第一类用绿色；第二类用蓝色Vec3b green(0,100,0),blue(100,0,0);for(int i = 0; i <image.rows; +i) for(int j = 0; j <image.cols; +j) Mat sampleMat = (Mat_<float>(1,2)<<i,j);float response = svm.predict(sampl

19、eMat); if (response = 1) image.at<Vec3b>(j,i) =green; else if (response =2)image.at<Vec3b>(j,i) =blue; /* 第五步：显示训练数据*/红色/负数会导致画出的图型是实心的int thick = -1;int lineType = 8;类 *float px,py;for(int i = 0; i <1. 第一px =NTRAINING_SAMPLES; +i) trainData.at<float>(i,0); py = trainData.at<float&gt