Opencv中ANN神经网络使用示例

前一段儿想用opencv做一下数字识别，用神经网络做识别。
在网上搜了一下关于opencv中ANN的使用方法，@小魏的修行路 的【模式识别】OpenCV中使用神经网络 CvANN_MLP 这篇文章写得挺好，照搬里面的例程运行了一下，发现有些错误，而且从他最后的结果图片来看明显是分类分错了。但是他的这篇博文还是写的挺好的，简单，通俗易懂。关于OPENCV中神经网络相关的使用方法这里就不作介绍了，大家可以直接看他的博客。
这里说一下例程的简单思路：
1.首先定义两种类型的若干个点，
2.然后利用这些样本点训练出一个模型，
3.新建一张图片，使用图片中的每一个像素作为测试点，利用上一步训练出的模型把这些像素分为两类，并用不同的颜色标记出来。
这里是程序运行的结果：

以下源码只是对 @小魏的修行路 的程序作了小部分改动：
源码

//编程环境：VS2010 + Opencv2.4.8
#include <opencv2/core/core.hpp>  
#include <opencv2/highgui/highgui.hpp>  
#include <opencv2/ml/ml.hpp>  
#include <iostream>  
#include <string>  

using namespace std;  
using namespace cv;  

int main()  
{  
    //Setup the BPNetwork  
    CvANN_MLP bp;   
    // Set up BPNetwork's parameters  
    CvANN_MLP_TrainParams params;  
    params.train_method=CvANN_MLP_TrainParams::BACKPROP;  //(Back Propagation,BP)反向传播算法
    params.bp_dw_scale=0.1;  
    params.bp_moment_scale=0.1;  

    // Set up training data  
    float labels[10][2] = {{0.9,0.1},{0.1,0.9},{0.9,0.1},{0.1,0.9},{0.9,0.1},{0.9,0.1},{0.1,0.9},{0.1,0.9},{0.9,0.1},{0.9,0.1}};  
    //这里对于样本标记为0.1和0.9而非0和1，主要是考虑到sigmoid函数的输出为一般为0和1之间的数，只有在输入趋近于-∞和+∞才逐渐趋近于0和1，而不可能达到。
    Mat labelsMat(10, 2, CV_32FC1, labels);  

    float trainingData[10][2] = { {11,12},{111,112}, {21,22}, {211,212},{51,32}, {71,42}, {441,412},{311,312}, {41,62}, {81,52} };  
    Mat trainingDataMat(10, 2, CV_32FC1, trainingData);  
    Mat layerSizes=(Mat_<int>(1,5) << 2, 2, 2, 2, 2); //5层：输入层，3层隐藏层和输出层，每层均为两个perceptron
    bp.create(layerSizes,CvANN_MLP::SIGMOID_SYM);//CvANN_MLP::SIGMOID_SYM ,选用sigmoid作为激励函数
    bp.train(trainingDataMat, labelsMat, Mat(),Mat(), params);  //训练

    // Data for visual representation  
    int width = 512, height = 512;  
    Mat image = Mat::zeros(height, width, CV_8UC3);  
    Vec3b green(0,255,0), blue (255,0,0);  
    // Show the decision regions
    for (int i = 0; i < image.rows; ++i)
    {
        for (int j = 0; j < image.cols; ++j)  
        {  
            Mat sampleMat = (Mat_<float>(1,2) << i,j);  
            Mat responseMat;  
            bp.predict(sampleMat,responseMat);  
            float* p=responseMat.ptr<float>(0);  
            //
            if (p[0] > p[1])
            {
                image.at<Vec3b>(j, i)  = green;  
            } 
            else
            {
                image.at<Vec3b>(j, i)  = blue;  
            }
        }  
    }
    // Show the training data  
    int thickness = -1;  
    int lineType = 8;  
    circle( image, Point(111,  112), 5, Scalar(  0,   0,   0), thickness, lineType); 
    circle( image, Point(211,  212), 5, Scalar(  0,   0,   0), thickness, lineType);  
    circle( image, Point(441,  412), 5, Scalar(  0,   0,   0), thickness, lineType);  
    circle( image, Point(311,  312), 5, Scalar(  0,   0,   0), thickness, lineType);  
    circle( image, Point(11,  12), 5, Scalar(255, 255, 255), thickness, lineType);  
    circle( image, Point(21, 22), 5, Scalar(255, 255, 255), thickness, lineType);       
    circle( image, Point(51,  32), 5, Scalar(255, 255, 255), thickness, lineType);  
    circle( image, Point(71, 42), 5, Scalar(255, 255, 255), thickness, lineType);       
    circle( image, Point(41,  62), 5, Scalar(255, 255, 255), thickness, lineType);  
    circle( image, Point(81, 52), 5, Scalar(255, 255, 255), thickness, lineType);       

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

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

    return 0;
}