【opencv】支持向量机CvSVM分类

最新推荐文章于 2022-02-25 20:54:19 发布

BHY_

最新推荐文章于 2022-02-25 20:54:19 发布

阅读量1.6k

点赞数

分类专栏： opencv 文章标签： opencv svm vs2012

本文链接：https://blog.csdn.net/qq_15947787/article/details/51375349

版权

opencv 专栏收录该内容

49 篇文章 19 订阅

订阅专栏

有关于SVM的理论可以参考opencv_tutorials.pdf
译文可以参考博客：
http://blog.csdn.net/dwb1015/article/details/12841305

本文通过svm进行多类分类
源码如下：

//编程环境：VS2012 + Opencv2.4.9
#include <fstream>
#include <iostream>
#include <opencv2/opencv.hpp>

using namespace cv;
using namespace std;
#define COUNT 21 //读入的点个数

int main()
{
    //从文件载入数据
    float data[COUNT][2];   
    ifstream fin1("data.txt");  
    for(int i=0;i<COUNT;i++)
    {
        fin1>>data[i][0];   
        fin1>>data[i][1];
    }
    fin1.close();   
    //显示读入的数据
    for(int i=0;i<COUNT;i++)    
    {
        cout<<data[i][0]<<" ";
        cout<<data[i][1]<<" "<<endl;
    }

    float label[COUNT][1];  
    ifstream fin2("label.txt"); 
    for(int i=0;i<COUNT;i++)
    {
        fin2>>label[i][0];  
    }
    fin2.close();   
    //显示读入的数据
    for(int i=0;i<COUNT;i++)    
    {
        cout<<label[i][0]<<" "<<endl;
    }

    Mat trainData(COUNT, 2, CV_32FC1, data);
    Mat trainLabel(COUNT, 1, CV_32FC1, label);

    cout<<"trainData"<<trainData<<endl;
    cout<<"trainLabel"<<trainLabel<<endl;

    CvSVM svm;
    CvSVMParams param;

    param.svm_type  = CvSVM::C_SVC;     //n(n>2)的分类器，其中参数C是异常惩罚因子，可以进行不完全分类
    //param.svm_type  = CvSVM::NU_SVC;    //n(n>2)类似不完全分类的分类器，参数nu(nu属于[0,1]),取代了C_SVC类型的异常惩罚因子C;
    //param.svm_type  = CvSVM::ONE_CLASS;  //单分类器，用一个分界线对特征空间进行分割。
    param.kernel_type = CvSVM::LINEAR;  //线性核函数，此核函数在分类是速度最快，分类将在原始空间中完成；
    //param.kernel_type = CvSVM::POLY;    //多项式核
    //param.kernel_type = CvSVM::RBF;     //径向基核，对于大部分情况都是选择此类型
    //param.kernel_type = CvSVM::SIGMOID;  //sigmoid核函数
    param.term_crit  = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6); //SVM迭代终止条件,CV_TERMCRIT_ITER为终止条件类型，100为最大迭代次数，1e-6为结果的准确率

    //训练SVM
    svm.train(trainData, trainLabel, Mat(), Mat(), param);

    Mat image = Mat::zeros(500, 500, CV_8UC3);  
    Vec3b green(0,255,0), blue(255,0,0), red(0,0,255),gray(125,125,125);

    for (int i = 0; i < image.cols; i++)
    {
        for (int j = 0; j < image.rows; j++)
        {
            Mat sampleMat = (Mat_<float>(1,2) << i,j); 
            float response = svm.predict(sampleMat);

            if(response == 3)
                image.at<Vec3b>(j,i) = green;
            if(response == 2)
                image.at<Vec3b>(j,i) = gray;
            if(response == 1)
                image.at<Vec3b>(j,i) = blue;
            if(response == 0)
                image.at<Vec3b>(j,i) = red;
        }
    }

    for (int i = 0; i < COUNT; i++)
    {
        Point p(data[i][0],data[i][1]);
        if (label[i][0]==0)
            circle( image, p, 3, Scalar(255, 255, 0), -1, 8);
        if (label[i][0]==1)
            circle( image, p, 3, Scalar(255, 0, 255), -1, 8);
        if (label[i][0]==2)
            circle( image, p, 3, Scalar(0, 255, 255), -1, 8);
        if (label[i][0]==3)
            circle( image, p, 3, Scalar(0, 0, 0), -1, 8);
    }

    imshow("result",image);
    imwrite("output.jpg",image);
    waitKey(0);

    return 0;
}

label.txt:

data.txt:

结果：
这里写图片描述

CvSVM::predict
预测样本的相应数据。

C++: float CvSVM::predict(const Mat& sample, bool returnDFVal=false ) const
C++: float CvSVM::predict(const CvMat* sample, bool returnDFVal=false ) const
C++: float CvSVM::predict(const CvMat* samples, CvMat* results) const
参数
sample – 需要预测的输入样本。
samples – 需要预测的输入样本们。
returnDFVal – 指定返回值类型。如果值是true，则是一个2类分类问题，该方法返回的决策函数值是边缘的符号距离。
results – 相应的样本输出预测的响应。
这个函数用来预测一个新样本的响应数据(response)。在分类问题中，这个函数返回类别编号；在回归问题中，返回函数值。输入的样本必须与传给trainData的训练样本同样大小。如果训练中使用了varIdx参数，一定记住在predict函数中使用跟训练特征一致的特征。

所以returnDFVal 为true时，二分类得到的结果可以间接的作为相似度，绝对值越大，与训练样本越不相似