OpenCV——SVM学习(二)

这一次主要是实践部分.首先还是贴出源码.

#include<opencv2\opencv.hpp> 
#include <vector>
#include<iostream>
using namespace std;
using namespace cv;

#define n 8           //n个训练样本
int main()
{
	//【1】 设置标签
	int labels[n] = { -1, 1, 1, -1,1,-1,1,1 };//这里比如说有n组训练数据,那么这里标签的大小就应该是n,那么，如何确定这里1和-1的个数呢？
	Mat labelsMat(n, 1, CV_32SC1, labels);

	//【2】 产生随机训练数据
	//【2.1】首先分别产生n个0-512不同的随机数序列1和序列2
	vector<float> x;
	vector<float> y;
	for (int i = 0; i < n; i++)
	{
		x.push_back(rand() % 512);
		y.push_back(rand() % 512);
	}
	//【2.1】调试,输出x,y数组元素看一下
	//for (int i = 0; i < x.size(); i++)
	//{
	//	cout << x[i] << " ";
	//}
	//cout << endl; 
	//for (int i = 0; i < y.size(); i++)
	//{
	//	cout << y[i] << " ";
	//}
	//cout << endl;
	//【2.2】把生成的数放到训练数据中
	float trainingData[n][2];
	for (int i = 0; i < n; i++)
	{
		trainingData[i][0] = { x[i] };
		trainingData[i][1] = { y[i] };
	}
	//for (int i = 0; i < n; i++)
	//{
	//	for (int j = 0; j < 2; j++)
	//	{
	//		cout << trainingData[i][j] << " ";
	//	}
	//	cout << endl;
	//}

	Mat trainingDataMat(n, 2, CV_32FC1, trainingData);

	//【3】训练初始化
	Ptr<cv::ml::SVM> svm = cv::ml::SVM::create();
	svm->setType(cv::ml::SVM::C_SVC);
	svm->setKernel(cv::ml::SVM::LINEAR);
	svm->setC(2.67);
	svm->setGamma(5.383);
	svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, 100, 1e-6));
	//【4】开始训练
	svm->train(trainingDataMat, cv::ml::ROW_SAMPLE, labelsMat);

	//【5】可视化
	int image_width = 512;
	int image_height = 512;
	Mat imageshow = Mat::zeros(image_height, image_width, CV_8UC3);
	//【5.1】分类
	Vec3b blue(255, 0, 0);//类别1
	Vec3b green(0, 255, 0);//类别2
	for (int i = 0; i < imageshow.rows; i++)
	{
		for (int j = 0; j < imageshow.cols; j++)
		{
			Mat sampleMat = (Mat_<float>(1, 2) << j, i);
			float response = svm->predict(sampleMat);
			if (response == 1)
				imageshow.at<Vec3b>(i, j) = blue;
			if (response == -1)
				imageshow.at<Vec3b>(i, j) = green;
		}
	}
	//【5.2】绘制训练点
	int thickness = -1;
	int lineType = 8;
	Scalar color1 = Scalar::all(0); //标记为1的显示成黑点
	Scalar color2 = Scalar::all(255); //标记成-1的显示成白点
	for (int i = 0; i < labelsMat.rows; i++)
	{
		const float* v = trainingDataMat.ptr<float>(i); //取出每行的头指针
		if (labels[i] == 1)
			circle(imageshow, Point((int)v[0], (int)v[1]), 5, color1, thickness, lineType);
		if (labels[i] == -1)
			circle(imageshow, Point((int)v[0], (int)v[1]), 5, color2, thickness, lineType);
	}
	imshow("SVM显示", imageshow);

	//【5.3】输出支持向量
	Mat sv = svm->getSupportVectors();
	cout << "支持向量为：" << endl;
	for (int i = 0; i < sv.rows; ++i)
	{
		const float* v = sv.ptr<float>(i);
		cout << v[0] << " " << v[1] << endl;
	}

	//【6】给出测试样本判断其类别
	Mat result;
	float testData[2][2] = { { 20, 11 }, { 310, 411 } };
	Mat query(2, 2, CV_32FC1, testData);
	svm->predict(query, result);
	cout << "分类结果为：" << endl;
	cout << result;

	waitKey(-1);
	return 0;
}

得到的结果如下图所示

结果分析

可以看到，我在一开始的时候假设有8个训练样本（n=8），于是设置了
int labels[n] = { -1, 1, 1, -1,1,-1,1,1 };
这里的n要与训练样本的数目相等，于是你这里需要设置8个标签，不能因为分两类你就设置为int labels[n] = { -1, 1 };否则在调用train的时候会报错。
可以看到，我这里设置了5个为1的标签，于是结果里出现了5个黑点，相应的就有3个白点。

注意：当你改变n时，比如我让n=6，那么相应的标签可以设置为
int labels[n] = { -1, 1, 1, -1,1,-1 };
那么，对应的结果就应该有三个黑点和三个白点。那么，验证一下

猜想是正确的。

这里我依旧不明白这里输出的支持向量是啥意思。。

代码注释：
我这里用下面的代码片来产生n个0-512不同的随机数序列1和序列2，放到vector容器里，为方便调试，可以将注释部分去掉来观察结果。然后，将这些数据放到trainingData的二维数组中，这样，就可以产生一组随机的训练样本点。同样，也可以观察trainingData里面的内容，看看想要的结果是不是对的。

    //【2】 产生随机训练数据
	//【2.1】首先分别产生n个0-512不同的随机数序列1和序列2
	vector<float> x;
	vector<float> y;
	for (int i = 0; i < n; i++)
	{
		x.push_back(rand() % 512);
		y.push_back(rand() % 512);
	}
	//【2.1】调试,输出x,y数组元素看一下
	//for (int i = 0; i < x.size(); i++)
	//{
	//	cout << x[i] << " ";
	//}
	//cout << endl; 
	//for (int i = 0; i < y.size(); i++)
	//{
	//	cout << y[i] << " ";
	//}
	//cout << endl;
	//【2.2】把生成的数放到训练数据中
	float trainingData[n][2];
	for (int i = 0; i < n; i++)
	{
		trainingData[i][0] = { x[i] };
		trainingData[i][1] = { y[i] };
	}
	//for (int i = 0; i < n; i++)
	//{
	//	for (int j = 0; j < 2; j++)
	//	{
	//		cout << trainingData[i][j] << " ";
	//	}
	//	cout << endl;
	//}

结果如图：

剩下的应该就没别的问题了。。那来做个分三类的试试。。
赚点积分。。源码下载地址：
http://download.csdn.net/download/csdn_dzh/10190986

下面是试验结果：

从结果又可以看到，这里输出了3个支持向量。。这到底是个什么东西- -求解答