Opencv2.4.9源码分析要点摘录

以下摘录自

http://blog.csdn.net/zhaocj?viewmode=contents

Opencv2.4.9源码分析要点摘录

Boosting

AdaBoost的计算步骤：
1、设有n个样本x1, …, xn，它们所希望得到的输出（即分类）为y1, …, yn，y∈{-1, 1}；
2、初始化每个样本的权值；
3、进行迭代：m = 1, …, M
①找到使误差率 最小的弱分类器km(x)；
②计算km(x)的权值；
③得到新的强分类器；
④更新每个样本的权值；
⑤对权值wi(m+1)进行归一化处理，使∑iwi(m+1)= 1；
4、得到最终的强分类器


构建Boosting的参数：
CvBoostParams::CvBoostParams()  
{  
...... 
}  


CvBoostParams::CvBoostParams( int _boost_type, int _weak_count,  
                                        double _weight_trim_rate, int _max_depth,  
                                        bool _use_surrogates, const float* _priors )  
{  
......
}


其中参数的含义为：
boost_type表示Boosting算法的类型，可以是CvBoost::DISCRETE、CvBoost::REAL、CvBoost::LOGIT或


CvBoost::GENTLE这4类中的任意一个，OpenCV推荐使用GentleAdaBoost或Real AdaBoost算法
_weak_count表示弱分类器的数量，即迭代的次数
_weight_trim_rate表示裁剪率，在0～1之间，默认值为0.95，在迭代过程中，那些归一化后的样本权值


wi(m)小于该裁剪率的样本将不进入下次迭代
_max_depth表示构建决策树的最大深度
_use_surrogates表示在构建决策树时，是否使用替代分叉属性
_priors表示样本的先验概率


CvBoost类的两个构造函数：  
CvBoost::CvBoost( const Mat& _train_data, int _tflag,  
               const Mat& _responses, const Mat& _var_idx,  
               const Mat& _sample_idx, const Mat& _var_type,  
               const Mat& _missing_mask,  
               CvBoostParams _params )  
{
......
}


CvBoost::CvBoost()  
{  
......
} 


两个train函数：
bool CvBoost::train( CvMLData* _data,    //训练样本数据  
             CvBoostParams _params,    //构建Boosting的参数  
             bool update )  
//update表示是更新分类器，还是重新创建分类器，默认是false，表示重新创建  
{  
......
}


bool  
CvBoost::train( const CvMat* _train_data, int _tflag,  
              const CvMat* _responses, const CvMat* _var_idx,  
              const CvMat* _sample_idx, const CvMat* _var_type,  
              const CvMat* _missing_mask,  
              CvBoostParams _params, bool _update )  
{  
......
}


更新权值函数，当要初始化权值时，参数tree为0，表示此时还没有弱分类器：
void  
CvBoost::update_weights( CvBoostTree* tree ) {  
...... 
}  


更新权值的核心函数：
void  
CvBoost::update_weights_impl( CvBoostTree* tree, double initial_weights[2] )  
{
......
}


从上面的train函数可以看出，它主要是调用do_train函数，而CvBoostTree类没有do_train函数，因此


train函数是调用CvBoostTree类的父类CvDTree中的do_train函数：
bool CvDTree::do_train( const CvMat* _subsample_idx )  
{  
......
}


递归调用try_split_node函数，完成决策树的构造：
void  
CvBoostTree::try_split_node( CvDTreeNode* node )  
{ 
......
}


预测函数predict：
float  
CvBoost::predict( const CvMat* _sample, const CvMat* _missing,  
                  CvMat* weak_responses, CvSlice slice,  
                  bool raw_mode, bool return_sum ) const 
{
......
}


OpenCV是用决策树来得到弱分类器的，因此实现弱分类器的类CvBoostTree继承于构建决策树的类


CvDTree，CvBoostTree类内的train函数和try_split_node函数都是虚函数，它们是针对用于弱分类器设


计的决策树的特殊性而重写的函数，这样的虚函数还有许多，如find_surrogate_split_ord、


find_split_ord_class、calc_node_value等。与CvDTree类的不同的地方；
1、构建弱分类器的每个样本都有权值，即wi(m)，在决策树中被称为是先验概率；
2、用于衡量分类树纯度的不仅有基尼指数，还有错误分类率这种方法；
3、弱分类器只是一个用于研究两类问题的决策树，所有要相对简单一点；
4、不同的弱分类器所应用的训练样本的数量可能会不同。

HoughLines

霍夫变换是一种特征提取技术。经典的霍夫变换能够识别出图像中的直线，后来又发展到能够识别出任


意形状，但更常见的识别形状是圆和椭圆。函数HoughLines的作用就是能够检测出边缘图像中的直线。


函数HoughLines的霍夫变换直线检测的步骤：
1、对边缘图像进行霍夫空间变换；
2、在4邻域内找到霍夫空间变换的极大值；
3、对这些极大值安装由大到小顺序进行排序，极大值越大，越有可能是直线；
4、输出直线。
 
函数HoughLines的原型为：
void HoughLines(InputArray image,OutputArray lines, double rho, double theta, int 


threshold, double srn=0,double stn=0 )
image为输入图像，要求是单通道的二值图像
lines为输出直线向量，两个元素的向量（ρ，θ）代表一条直线，ρ是从原点（图像的左上角）的距离


，θ是直线的角度（单位是弧度），0表示垂直线，π/2表示水平线
rho为距离分辨率
theta为角度分辨率


threshold为阈值，在步骤2中，只有大于该值的点才有可能被当作极大值，即至少有多少条正弦曲线交


于一点才被认为是直线
srn和stn在多尺度霍夫变换的时候才会使用，在这里我们只研究经典霍夫变换


HoughLines函数是在sources/modules/imgproc/src/hough.cpp文件中定义的；
 
cvHoughLines2函数是霍夫变换直线检测的关键，函数的输出为所检测到的直线序列，它的第3个形


参“srn == 0 && stn == 0 ? CV_HOUGH_STANDARD :CV_HOUGH_MULTI_SCALE”表示的是该霍夫变换是经


典霍夫变换还是多尺度霍夫变换，它是由变量srn和stn决定的，只要这两个变量有一个不为0，就进行多


尺度霍夫变换，否则为经典霍夫变换。另外cvHoughLines2函数不仅可以用于经典霍夫变换和多尺度霍夫


变换，还可以用于概率霍夫变换。


CV_IMPL CvSeq*  
cvHoughLines2( CvArr* src_image, void* lineStorage, int method,  
               double rho, double theta, int threshold,  
               double param1, double param2 )  
{  
......
}  
 


对于经典霍夫变换，调用的是icvHoughLinesStandard函数：
static void  
icvHoughLinesStandard( const CvMat* img, float rho, float theta,  
                       int threshold, CvSeq *lines, int linesMax )  
{  
......
}  
由于函数HoughLines只输出直线所对应的角度和距离，所以在进行直线检测的时候还要把其转换为直角


坐标系下的数据，另外输入图像还必须是边缘图像；