SVM模型训练与分类
支持向量机（SVM）：
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，给定一些标记好的训练本（监督式学习），SVM算法输出一个最优化的超分隔平面。本次利用VS2015+OpenCV3.4.1实现SVM算法，完成数据集的训练，生成XML文件，然后通过调用XML文件来实现图片的识别分类。即为分三个步骤：数据集的准备、数据集的模型训练以及利用训练好的模型进行测试分类。
目的：利用SVM算法实现手写体0和1的图片的识别分类。
步骤1：数据集的准备
在OpenCV的安装路径下，搜索digits，可以得到一张图片，图片大小为1000*2000，有0-9的10个数字，每5行为一个数字，总共50行，共有5000个手写数字，每个数字块大小为20×20。 下面将把这些数字中的0和1作为二分类的准备数据。其中0有500张，1有500张。
用下面的代码将图片准备好，在写入路径提前建立好文件夹：
#include <opencv2/opencv.hpp>
#include <iostream>
using namespace std;
using namespace cv;
int main()
{
char ad[128] = { 0 };
int filename = 0, filenum = 0;
Mat img = imread("F:\\Opencv3_4_1\\opencv\\sources\\samples\\data\\digits.png");
Mat gray;
cvtColor(img, gray, CV_BGR2GRAY);
int b = 20;
int m = gray.rows / b; //原图为1000*2000
int n = gray.cols / b; //裁剪为5000个20*20的小图块
for (int i = 0; i < m; i++)
{
int offsetRow = i*b; //行上的偏移量
if (i % 5 == 0 && i != 0)
{
filename++;
filenum = 0;
}
for (int j = 0; j < n; j++)
{
int offsetCol = j*b; //列上的偏移量
sprintf_s(ad, "D:\\data\\%d\\%d.jpg", filename, filenum++);
//截取20*20的小块
Mat tmp;
gray(Range(offsetRow, offsetRow + b), Range(offsetCol, offsetCol + b)).copyTo(tmp);
imwrite(ad, tmp);
}
}
return 0;
}
最后可以得到这样的结果
将以上图片可以进行分类成训练集和测试集，方便后期进行训练和测试。要注意：训练中的图片不包含测试集合中的图片。
训练数据800张，0，1各400张；测试数据200张，0，1各100张
步骤2：模型的训练
数据准备完成之后，就可以用下面的代码训练了：
#include <stdio.h>
#include <time.h>
#include <opencv2/opencv.hpp>
#include <opencv/cv.h>
#include <iostream>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/ml/ml.hpp>
#include <io.h> //查找文件相关函数
using namespace std;
using namespace cv;
using namespace cv::ml;
void getFiles(string path, vector<string>& files);
void getBubble(Mat& trainingImages, vector<int>& trainingLabels);
void getNoBubble(Mat& trainingImages, vector<int>& trainingLabels);
int main()
{
//获取训练数据
Mat classes;
Mat trainingData;
Mat trainingImages;
vector<int> trainingLabels;
//getBubble()与getNoBubble()将获取一张图片后会将图片（特征）写入
// 到容器中，紧接着会将标签写入另一个容器中，这样就保证了特征
// 和标签是一一对应的关系push_back(0)或者push_back(1)其实就是
// 我们贴标签的过程。
getBubble(trainingImages, trainingLabels);
getNoBubble(trainingImages, trainingLabels);
//在主函数中，将getBubble()与getNoBubble()写好的包含特征的矩阵拷贝给trainingData，将包含标签的vector容器进行类
//型转换后拷贝到trainingLabels里，至此，数据准备工作完成，trainingData与trainingLabels就是我们要训练的数据。
Mat(trainingImages).copyTo(trainingData);
trainingData.convertTo(trainingData, CV_32FC1);
Mat(trainingLabels).copyTo(classes);
// 创建分类器并设置参数
Ptr<SVM> SVM_params = SVM::create();
SVM_params->setType(SVM::C_SVC);
SVM_params->setKernel(SVM::LINEAR); //核函数
SVM_params->setDegree(0);
SVM_params->setGamma(1);
SVM_params->setCoef0(0);
SVM_params->setC(1);
SVM_params->setNu(0);
SVM_params->setP(0);
SVM_params->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER + TermCriteria::EPS, 1000, 0.01));
Ptr<TrainData> tData = TrainData::create(trainingData, ROW_SAMPLE, classes);
// 训练分类器
SVM_params->train(tData);
//保存模型
SVM_params->save("svm.xml");//将训练好的模型保存在此文件中。
cout << "训练好了！！！" << endl;
getchar();
return 0;
}
void getFiles(string path, vector<string>& files)//用来遍历文件夹下的所有文件。
{
intptr_t hFile = 0;
struct _finddata_t fileinfo;
string p;
int i = 30;
if ((hFile = _findfirst(p.assign(path).append("\\*").c_str(), &fileinfo)) != -1)
{
do
{
if ((fileinfo.attrib & _A_SUBDIR))
{
if (strcmp(fileinfo.name, ".") != 0 && strcmp(fileinfo.name, "..") != 0)
getFiles(p.assign(path).append("\\").append(fileinfo.name), files);
}
else
{
files.push_back(p.assign(path).append("\\").append(fileinfo.name));
}
} while (_findnext(hFile, &fileinfo) == 0);
_findclose(hFile);
}
}
//获取正样本
//并贴标签为1
void getBubble(Mat& trainingImages, vector<int>& trainingLabels)
{
char * filePath = "D:\\data\\train_image\\1"; //数字1样本路径
vector<string> files;
getFiles(filePath, files);
int number = files.size();
for (int i = 0; i < number; i++)
{
Mat SrcImage = imread(files[i].c_str());
SrcImage = SrcImage.reshape(1, 1);
trainingImages.push_back(SrcImage);
trainingLabels.push_back(1);//该样本为数字1
}
}
//获取负样本
//并贴标签为0
void getNoBubble(Mat& trainingImages, vector<int>& trainingLabels)
{
char * filePath = "D:\\data\\train_image\\0"; //数组0样本路径
vector<string> files;
getFiles(filePath, files);
int number = files.size();
for (int i = 0; i < number; i++)
{
Mat SrcImage = imread(files[i].c_str());
SrcImage = SrcImage.reshape(1, 1);
trainingImages.push_back(SrcImage);
trainingLabels.push_back(0); //该样本是数字0
}
}
注意：此过程的主要目的是生成xml文件，此文件保存在该工程项目的根目录下。
步骤3：加载模型进行分类识别
将上一步生成的XML文件复制一份到该工程根目录下，否则无法加载。
测试代码如下所示：
#include <stdio.h>
#include <time.h>
#include <opencv2/opencv.hpp>
#include <opencv/cv.h>
#include <iostream>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/ml/ml.hpp>
#include <io.h>
using namespace std;
using namespace cv;
//using namespace ml;
void getFiles(string path, vector<string>& files);
int main()
{
int result0 = 0;
int result1 = 0;
char * filePath = "D:\\data\\test_image\\0";
vector<string> files;
getFiles(filePath, files);
int number = files.size();
cout <<"共有测试图片"<< number<<"张\n" << endl;
Ptr<ml::SVM>svm = ml::SVM::load("svm.xml");
for (int i = 0; i < number; i++)
{
Mat inMat = imread(files[i].c_str());
Mat p = inMat.reshape(1, 1);
p.convertTo(p, CV_32FC1);
int response = (int)svm->predict(p);
cout << "识别的数字为：" << response << endl;
if (response == 0)
{
result0++;
}
else
{
result1++;
}
}
cout << "识别的数字0的个数为：" << result0 << endl;
cout << "识别的数字1的个数为：" << result1 << endl;
getchar();
return 0;
}
void getFiles(string path, vector<string>& files) //用来遍历文件夹下所有文件
{
intptr_t hFile = 0;
/*long hFile = 0;*/
struct _finddata_t fileinfo;
string p;
if ((hFile = _findfirst(p.assign(path).append("\\*").c_str(), &fileinfo)) != -1)
{
do
{
if ((fileinfo.attrib & _A_SUBDIR))
{
if (strcmp(fileinfo.name, ".") != 0 && strcmp(fileinfo.name, "..") != 0)
getFiles(p.assign(path).append("\\").append(fileinfo.name), files);
}
else
{
files.push_back(p.assign(path).append("\\").append(fileinfo.name));
}
} while (_findnext(hFile, &fileinfo) == 0);
_findclose(hFile);
}
}
本次的测试图片共100张，其中0有94张，1有6张。
下面展示测试效果：
可以看出测试效果还不错！
扫一扫
310
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
