opencv SVM示例代码

最新推荐文章于 2022-04-01 20:40:00 发布
最新推荐文章于 2022-04-01 20:40:00 发布
阅读量841 收藏
点赞数
分类专栏： opencv3常用代码示例 c/c++ 
#include <iostream>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/ml/ml.hpp>
#include "time.h"

using namespace std;
using namespace cv;

static void cvSVMExample()
{
	// Data for visual representation
	int width = 512, height = 512;
	Mat image = Mat::zeros(height, width, CV_8UC3);

	// Set up training data
	float labels[4] = {1.0, -1.0, -1.0, -1.0};
	Mat labelsMat(3, 1, CV_32FC1, labels);

	float trainingData[4][2] = { {501, 10}, {255, 10}, {501, 255}, {10, 501} };
	Mat trainingDataMat(3, 2, CV_32FC1, trainingData);

	// Set up SVM's parameters
	CvSVMParams params;
	params.svm_type    = CvSVM::C_SVC;
	params.kernel_type = CvSVM::LINEAR;
	params.term_crit   = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6);

	// Train the SVM
	CvSVM SVM;
	SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);

	Vec3b green(0,255,0), blue (255,0,0);	//B G R
	// Show the decision regions given by the SVM
	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(sampleMat);

			if (response == 1)
				image.at<Vec3b>(j, i)  = green;
			else if (response == -1) 
				image.at<Vec3b>(j, i)  = blue;
		}

		// Show the training data
		int thickness = -1;
		int lineType = 8;
		circle( image, Point(501,  10), 5, Scalar(  0,   0,   0), thickness, lineType);
		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, 255, 255), thickness, lineType);

		// Show support vectors
		thickness = 2;
		lineType  = 8;
		int c     = SVM.get_support_vector_count();

		for (int i = 0; i < c; ++i)
		{
			const float* v = SVM.get_support_vector(i);
			circle( image,  Point( (int) v[0], (int) v[1]),   6,  Scalar(128, 128, 128), thickness, lineType);
		}

		imwrite("result.png", image);        // save the image 

		imshow("SVM Simple Example", image); // show it to the user
		waitKey(0);
}

static void svmLinerExample()
{
	const int width = 512;
	const int height = 512;

	Mat image = Mat::zeros(width, height, CV_8UC3);

	//Set up training data
	float labels[5] = {1.0, -1.0, -1.0, 1.0};
	Mat labelsMat(5, 1, CV_32FC1, labels);

	float trainingData[5][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>(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;  
		}
	}

	int thickness = -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, 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，用灰色进行标注  
		circle( image,  Point( (int) v[0], (int) v[1]),   6,  Scalar(128, 128, 128), thickness, lineType);  
	}  

	imwrite("result.png", image);        // save the image   

	imshow("SVM Simple Example", image); // show it to the user  
	waitKey(0);  
}

static void svmNLinerExample();

void main(void)
{
	//svmLinerExample();
	svmNLinerExample();
}

/************************************************************************/
/* //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：trainData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                                                                       */
/************************************************************************/

static void svmNLinerExample()
{
	const int NTRAINING_SAMPLES = 100;
	const float FRAC_LINEAR_SEP = 0.9f;
	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  
	Mat labels(2*NTRAINING_SAMPLES,1,CV_32FC1);  

	//设定随机数种子  
	RNG rng(100); 

	//设定线性可分部分的数据量  
	int nLinearSamples = (int) (NTRAINING_SAMPLES*FRAC_LINEAR_SEP);  

	 //**************2.设定第一类中的数据*********  
    //从整个数据集中取出前[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);  
	//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-nLinearSamples,2*NTRAINING_SAMPLES);  
    //取出第一列  
    c = trainClass.colRange(0,1);  
    //随机生成X的值[0.6*WIDTH,WIDTH]  
    rng.fill(c,RNG::UNIFORM,Scalar(0.6*WIDTH),Scalar(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));  

	//***************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*WIDTH),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***********  
    CvSVMParams params;  
    //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;  
    //终止准则：当迭代次数到达最大值后终止  
    params.term_crit    = TermCriteria(CV_TERMCRIT_ITER,(int) 1e7,1e-6);

	//**************第三步：训练SVM***********  
    cout<<"开始训练过程"<<endl;  
    //开始计时  
    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<<"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(sampleMat);  
            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;  
    float px,py;  
    //************1.第一类*************  
    for(int i = 0; i < NTRAINING_SAMPLES; ++i)  
    {  
        px = trainData.at<float>(i,0);  
        py = trainData.at<float>(i,1);  
        circle(image,Point((int)px,(int)py),3,Scalar(0,255,0));  
    }  
    //***********2.第二类****************  
    for(int i = NTRAINING_SAMPLES; i < 2*NTRAINING_SAMPLES; ++i)  
    {  
        px = trainData.at<float>(i,0);  
        py = trainData.at<float>(i,1);  
        circle(image,Point((int)px,(int)py),3,Scalar(255,0,0));       
    }  

	//***********第六步：显示支持向量*************  
    thick = 2;  
    lineType = 8;  
    //获取支持向量的个数  
    int x = svm.get_support_vector_count();  
    for(int i = 0; i < x; ++i)  
    {  
        const float* v = svm.get_support_vector(i);  
        circle(image,Point((int)v[0],(int)v[1]),6,Scalar(128,128,128),thick,lineType);  
    }  
    imshow("分类结果",image);  
    waitKey(0);  
}

龚慧林
关注
专栏目录
OpenCV支持向量机SVM简介
希望我的博客，能帮上你解决学习中工作中所遇到的问题
04-21 333
OpenCV支持向量机SVM简介支持向量机SVM简介目标什么是SVM？最佳超平面如何计算？源代码解释设置训练数据设置SVM的参数由SVM分类的区域支持向量结果 支持向量机SVM简介 目标 在本教程中，您将学习如何： 使用OpenCV函数cv :: ml :: SVM :: train可以基于SVM构建分类器，并使用cv :: ml :: SVM :: predict测试其性能。 什么是SVM？ 支持向量机（SVM）是由分离超平面正式定义的判别式分类器。换句话说，给定带标签的训练数据（监督学习），该算法将输出
我的OpenCV学习笔记（六）：使用支持向量机（SVM）
java开发指南博客 【转载】
04-23 203
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:http://www.csie.ntu.edu.tw/~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： #include &lt;opencv2/core/c...
OpenCV 之 支持向量机 (一)
weixin_30323631的博客
07-30 435
机器学习是由 模型 + 策略 + 算法 构成的，构建一种机器学习方法 (例如，支持向量机)，就是具体去确定这三个要素。 1 支持向量机 支持向量机，简称 SVM (Support Vector Machine)，是一种二分分类模型。 1) 模型 (model) 定义在特征空间上的，一种间隔 (margin) 最大的，线性分类器 (linear classifier) 2...
opencv支持向量机(python)
wkk的博客
03-08 5227
支持向量机支持向量机理论基础SVM使用介绍例子介绍 支持向量机 支持向量机（Support Vector Machine, SVM）是一种二分类模型，目标是寻找一个标准（称为超平面）对样本数据进行分割，分割的原则是确保分类最优化（类别之间的间隔最大）。 当数据集较小时，使用支持向量机进行分类非常有效。 支持向量机是最好的现成分类器之一，“现成”是指分类器不加修改即可直接使用。 在对原始数据分类的过程中，可能无法使用线性方法实现分割。支持向量机在分类时，把无法线性分割的数据映射到高维空间，然后在高维空间找到分
Opencv中SVM样本训练、归类流程及实现
热门推荐
牧野的博客
11-02 2万+
支持向量机（SVM）中最核心的是什么？个人理解就是前4个字——“支持向量”，一旦在两类或多累样本集中定位到某些特定的点作为支持向量，就可以依据这些支持向量计算出来分类超平面，再依据超平面对类别进行归类划分就是水到渠成的事了。有必要回顾一下什么是支持向量机中的支持向量。 上图中需要对红色和蓝色的两类训练样本进行区分，实现绿线是决策面（超平面），最靠近决策面的2个实心红色样本
svm.zip_SVM算法opencv_opencv_opencv SVM_opencv svm代码_svm opencv
最新发布
09-24
SVM（Support Vector Machine，支持向量...总之，`svm.zip`中的代码示例提供了一个学习和实践OpenCV中SVM算法的起点。通过理解和运行这段代码，你可以深入理解SVM的工作机制，以及如何在实际项目中利用OpenCV实现SVM。
Opencvsharp示例代码
12-11
opencvsharp4代码示例教程，包含c#，VB.net,Core版本的示例代码，2019年11月更新的opencvsharp官方的例程。包含相机图像读取，形态学，Caffe,SVM,DNN,DFT,霍夫线提取，SIFT检测等共计40多个Sample Tutorial.建议使用...
introduction_to_svm.zip_SVM_opencv svm_opencv 分类_svm分类vs
09-23
总的来说，"introduction_to_svm.zip"中的示例代码为理解SVM在OpenCV中的实现提供了一个基础，帮助开发者掌握如何利用SVM进行分类任务。通过实践这个代码，你可以深入了解SVM的工作原理，并进一步优化分类性能。
opencv svm训练及检测代码+样本描述文件
04-25
在这个"opencv svm训练及检测代码+样本描述文件"的压缩包中，包含的是利用OpenCV实现支持向量机（Support Vector Machine，简称SVM）进行目标检测的代码示例以及相关的样本数据。 SVM是一种监督学习模型，常用于...
SVM.zip_DE SVM_opencv SVM_site:www.pudn.com_svm opencv_svm c++
09-23
在本资源"SVM.zip"中，包含了使用OpenCV库实现SVM的C++代码示例，这对于理解和实践SVM在实际项目中的应用非常有帮助。 OpenCV是一个强大的计算机视觉库，它不仅支持图像处理和分析，还提供了多种机器学习算法，包括...
opencv，svm，训练，分类源码
09-29
opencv，svm，训练，分类源码。
opencv训练SVM进行行人检测
02-09
opencv训练SVM进行行人检测
opencv SVM实现二分类的训练与测试
04-23
资源中包括opencv利用自带的SVM训练二分类的代码以及测试。也包括对文件的遍历，及需要训练的图片数据集
OpenCV中的SVM支持向量机
大冰的小屋
10-17 1777
1、什么是支持向量机SVM       支持向量机是一个分类器，正式的定义是一个能够将不同类样本在样本空间分隔的超平面，换句话说，给定一些标记（label）好的训练样本，SVM算法输出一个最优化的分隔超平面。      如何来界定一个超平面是不是最优的： 假设给定一些分别属于两类的2维点，这些点可以通过直线分隔，我们要找到一条最优的分割线。   在上面的图中，你可以直觉的观察到有
OpenCV(一)---支持向量机 SVM
老邹的博客
03-07 1491
OpenCV机器学习库—SVM 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 提示：以下是本篇文章正文内容，下面案例可供参考 一、pandas是什么？ 示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的
【opencv-ml】支持向量机简介
cxyhjl的博客
04-01 2091
Introduction to SupportVector Machines支持向量机简介Goal在本教程中，您将学习如何：使用 OpenCV 函数 cv::ml::SVM::train构建基于 SVM 的分类器，并使用 cv::ml::SVM::predict来测试其性能。What is a SVM?支持向量机（A Support Vector Machine） (SV...
在opencv3中实现机器学习之：利用svm(支持向量机)分类
weixin_34183910的博客
12-04 281
svm分类算法在opencv3中有了很大的变动，取消了CvSVMParams这个类，因此在参数设定上会有些改变。 opencv中的svm分类代码，来源于libsvm。 #include "stdafx.h" #include "opencv2/opencv.hpp" using namespace cv; using namespace cv::ml; int main(int...
OpenCV 支持向量机
k
09-10 2718
支持向量机 (SVM) 是一个类分类器，正式的定义是一个能够将不同类样本在样本空间分隔的超平面。给定一些标记好的训练样本 (监督式学习), SVM算法输出一个最优化的分隔超平面。 假设给定一些分属于两类的2维点，这些点可以通过直线分割， 我们要找到一条最优的分割线.距离样本太近的直线不是最优的，因为这样的直线对噪声敏感度高，泛化性较差。 因此我们的目标是找到一条直线，离所有点的距离最远。 由此，
OpenCV--支持向量机使用（一）
庄稼地
03-23 2972
 1.原理及基础理论（以最直白的方法简述）支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题。对于SVM，有几个重要的概念和基础理论，在使用它之前，一定要弄清楚：支持向量：用线性可分的情况来加以说明就是那些把可分区域区分开来的点向量，不仅仅这么简单，这些点向量分布在可分区域的边缘，把所有的样本区分开来。同时，不同区域的这些点向量之间的距离，几何间隔
OpenCV SVM教程：使用支持向量机进行2D分类
"该资源是关于使用OpenCV库实现支持向量机（SVM）进行2维空间向量的3级分类程序的示例代码。它旨在帮助学习者理解和应用SVM进行机器学习任务。" 在机器学习领域，支持向量机（Support Vector Machine，简称SVM）是...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值