Python图像处理（15）：SVM分类器

快乐虾

http://blog.csdn.net/lights_joy/

欢迎转载，但请保留作者信息

在opencv中支持SVM分类器，本文尝试在python中调用它。

和前面的贝叶斯分类器一样，SVM也遵循先训练再使用的方式，我们直接在贝叶斯分类器的测试代码上做简单修改，完成两类数据点的分类。

首先也是先创建训练用的数据，需要注意的是这里的train_label必须是整数类型，而不是float：

# 训练的点数
train_pts = 30

# 创建测试的数据点，2类
# 以(-1.5, -1.5)为中心
rand1 = np.ones((train_pts,2)) * (-2) + np.random.rand(train_pts, 2)
print('rand1：')
print(rand1)

# 以(1.5, 1.5)为中心
rand2 = np.ones((train_pts,2)) + np.random.rand(train_pts, 2)
print('rand2:')
print(rand2)

# 合并随机点，得到训练数据
train_data = np.vstack((rand1, rand2))
train_data = np.array(train_data, dtype='float32')
train_label = np.vstack( (np.zeros((train_pts,1), dtype='int32'), np.ones((train_pts,1), dtype='int32')))

# 显示训练数据
plt.figure(1)
plt.plot(rand1[:,0], rand1[:,1], 'o')
plt.plot(rand2[:,0], rand2[:,1], 'o')
plt.plot(rand2[:,0], rand2[:,1], 'o')

类似这样的数据：

在得到训练数据后，接着创建一个SVM分类器并配置训练参数：

# 创建分类器
svm = cv2.ml.SVM_create()
svm.setType(cv2.ml.SVM_C_SVC)  # SVM类型
svm.setKernel(cv2.ml.SVM_LINEAR) # 使用线性核
svm.setC(1.0)

接着我们对此分类器进行训练：

# 训练
ret = svm.train(train_data, cv2.ml.ROW_SAMPLE, train_label)

在训练完成后就可以使用测试数据进行预测了：

# 测试数据，20个点[-2,2]
pt = np.array(np.random.rand(20,2) * 4 - 2, dtype='float32')
(ret, res) = svm.predict(pt)
print("res = ")
print(res)

predict通过res返回得到一个20x1的数组，每一行对应一个输入点，计算得到的值就是分类的序号，在这里是0和1，我们取0.5为阈值进行分类并显示结果：

# 按label进行分类显示
plt.figure(2)
res = np.hstack((res, res))

# 第一类
type_data = pt[res < 0.5]
type_data = np.reshape(type_data, (type_data.shape[0] / 2, 2))
plt.plot(type_data[:,0], type_data[:,1], 'o')

# 第二类
type_data = pt[res >= 0.5]
type_data = np.reshape(type_data, (type_data.shape[0] / 2, 2))
plt.plot(type_data[:,0], type_data[:,1], 'o')

plt.show()

看看最后的结果：

最后，通过svm. getSupportVectors获取支持向量。

# 支持向量
vec = svm.getSupportVectors()
print(vec)