opencv3.0机器学习之SVM使用（二类线性可分）

之前找到一些代码都是2.X版本的，很多都不能运行，我大致修改了一下，全部能跑动了，2.x版本都注释了，下面替换为新的，可以对照修改。

	/******************************* 
** 作者： 周小小 
** 描述： 
struct CV_EXPORTS_W_MAP CvSVMParams
{
CvSVMParams();
CvSVMParams(
int svm_type,  //SVM类型
int kernel_type,//核函数类型
double degree,//核函数中的参数degree,针对多项式核函数; 
double coef0,//核函数中的参数,针对多项式/SIGMOID核函数； 
double Cvalue,//SVM类型（C_SVC/ EPS_SVR/ NU_SVR）的参数C。
double p,
CvMat* class_weights,
CvTermCriteria term_crit );
CV_PROP_RW int         svm_type;
CV_PROP_RW int         kernel_type;
CV_PROP_RW double      degree; // for poly
CV_PROP_RW double      gamma;  // for poly/rbf/sigmoid
CV_PROP_RW double      coef0;  // for poly/sigmoid
CV_PROP_RW double      C;  // for CV_SVM_C_SVC,       CV_SVM_EPS_SVR and CV_SVM_NU_SVR
CV_PROP_RW double      nu; // for CV_SVM_NU_SVC, CV_SVM_ONE_CLASS, and CV_SVM_NU_SVR
CV_PROP_RW double      p; // for CV_SVM_EPS_SVR
CvMat*      class_weights; // for CV_SVM_C_SVC
CV_PROP_RW CvTermCriteria term_crit; // termination criteria
};
SVM_params.c:SVM最优问题参数，设置C-SVC，EPS_SVR和NU_SVR的参数；
SVM_params.nu:SVM最优问题参数，设置NU_SVC， ONE_CLASS 和NU_SVR的参数；
SVM_params.p:SVM最优问题参数，设置EPS_SVR 中损失函数p的值.
*******************************/
#include "opencv2/opencv.hpp"
#include "opencv2/imgproc.hpp"
#include "opencv2/highgui.hpp"
#include "opencv2/ml.hpp"

//using namespace cv;
//using namespace cv::ml;

int main(int argc, char** argv)
{
	// visual representation
	int width = 512;
	int height = 512;
	cv::Mat image = cv::Mat::zeros(height, width, CV_8UC3);

	// training data
	int labels[4] = { 1, -1, 1, -1 };//样本数据  
	float trainingData[4][2] = { { 501, 10 }, { 255, 10 }, { 501, 255 }, { 10, 501 } };//Mat结构特征数据  
	cv::Mat trainingDataMat(4, 2, CV_32FC1, trainingData);//Mat结构标签  
	cv::Mat labelsMat(4, 1, CV_32SC1, labels); //样本标签 

	// initial SVM初始化
	cv::Ptr<cv::ml::SVM> svm = cv::ml::SVM::create();
	svm->setType(cv::ml::SVM::Types::C_SVC);//类型
	svm->setKernel(cv::ml::SVM::KernelTypes::LINEAR);//核函数类型
	svm->setTermCriteria(cv::TermCriteria(cv::TermCriteria::MAX_ITER, 100, 1e-6));//算法终止条件

	// train operation
	svm->train(trainingDataMat, cv::ml::SampleTypes::ROW_SAMPLE, labelsMat);

	// prediction
	cv::Vec3b green(0, 255, 0);
	cv::Vec3b blue(255, 0, 0);
	for (int i = 0; i < image.rows; i++)
	{
		for (int j = 0; j < image.cols; j++)
		{
			cv::Mat sampleMat = (cv::Mat_<float>(1, 2) << j, i);
			float respose = svm->predict(sampleMat);
			if (respose == 1)
				image.at<cv::Vec3b>(i, j) = green;
			else if (respose == -1)
				image.at<cv::Vec3b>(i, j) = blue;
		}
	}

	int thickness = -1;
	int lineType = cv::LineTypes::LINE_8;
	//给点上色
	cv::circle(image, cv::Point(501, 10), 5, cv::Scalar(0, 0, 0), thickness, lineType);
	cv::circle(image, cv::Point(255, 10), 5, cv::Scalar(255, 255, 255), thickness, lineType);
	cv::circle(image, cv::Point(501, 255), 5, cv::Scalar(0, 0, 0), thickness, lineType);
	cv::circle(image, cv::Point(10, 501), 5, cv::Scalar(255, 255, 255), thickness, lineType);

	thickness = 2;
	lineType = cv::LineTypes::LINE_8;

	cv::Mat sv = svm->getSupportVectors();
	for (int i = 0; i < sv.rows; i++)
	{
		const float* v = sv.ptr<float>(i);
		cv::circle(image, cv::Point((int)v[0], (int)v[1]), 6, cv::Scalar(128, 128, 128), thickness, lineType);
	}


	cv::imshow("SVM Simple Example", image);


	cv::waitKey(0);
	return 0;
}