svm代码，忘了从哪搜到的，共享之

//利用SVM解决2维空间向量的3级分类问题    
   
#include "stdafx.h"    
   
#include "cv.h"    
#include "highgui.h"    
   
#include <ML.H>    
#include <TIME.H>    
   
#include <CTYPE.H>    
   
#include <IOSTREAM>    
using namespace std;   
   
int main(int argc, char **argv)   
{   
    int size = 400;         //图像的长度和宽度    
    const int s = 100;          //试验点个数（可更改！！）    
    int i, j, sv_num;   
    IplImage *img;   
    CvSVM svm = CvSVM();    //★★★    
    CvSVMParams param;   
    CvTermCriteria criteria;//停止迭代的标准    
    CvRNG rng = cvRNG(time(NULL));   
    CvPoint pts[s];         //定义1000个点    
    float data[s*2];        //点的坐标    
    int res[s];             //点的所属类    
    CvMat data_mat, res_mat;   
    CvScalar rcolor;   
    const float *support;   
    // (1)图像区域的确保和初始化    
    img= cvCreateImage(cvSize(size, size), IPL_DEPTH_8U, 3);   
    cvZero(img);   
    //确保画像区域，并清0(用黑色作初始化处理)。    
   
    // (2)学习数据的生成    
    for (i= 0; i< s; i++) {   
        pts[i].x= cvRandInt(&rng) % size;   //用随机整数赋值    
        pts[i].y= cvRandInt(&rng) % size;   
        if (pts[i].y> 50 * cos(pts[i].x* CV_PI/ 100) + 200) {   
            cvLine(img, cvPoint(pts[i].x- 2, pts[i].y- 2), cvPoint(pts[i].x+ 2, pts[i].y+ 2), CV_RGB(255, 0, 0));   
            cvLine(img, cvPoint(pts[i].x+ 2, pts[i].y- 2), cvPoint(pts[i].x- 2, pts[i].y+ 2), CV_RGB(255, 0, 0));   
            res[i] = 1;   
        }   
        else {   
            if (pts[i].x> 200) {   
                cvLine(img, cvPoint(pts[i].x- 2, pts[i].y- 2), cvPoint(pts[i].x+ 2, pts[i].y+ 2), CV_RGB(0, 255, 0));   
                cvLine(img, cvPoint(pts[i].x+ 2, pts[i].y- 2), cvPoint(pts[i].x- 2, pts[i].y+ 2), CV_RGB(0, 255, 0));   
                res[i] = 2;   
            }   
            else {   
                cvLine(img, cvPoint(pts[i].x- 2, pts[i].y- 2), cvPoint(pts[i].x+ 2, pts[i].y+ 2), CV_RGB(0, 0, 255));   
                cvLine(img, cvPoint(pts[i].x+ 2, pts[i].y- 2), cvPoint(pts[i].x- 2, pts[i].y+ 2), CV_RGB(0, 0, 255));   
                res[i] = 3;   
            }   
        }   
    }   
    //生成2维随机训练数据，并将其值放在CvPoint数据类型的数组pts[ ]中。    
   
    // (3)学习数据的显示    
    cvNamedWindow("SVM", CV_WINDOW_AUTOSIZE);   
    cvShowImage("SVM", img);   
    cvWaitKey(0);   
   
    // (4)学习参数的生成    
    for (i= 0; i< s; i++) {   
        data[i* 2] = float (pts[i].x) / size;   
        data[i* 2 + 1] = float (pts[i].y) / size;   
    }   
    cvInitMatHeader(&data_mat, s, 2, CV_32FC1, data);   
    cvInitMatHeader(&res_mat, s, 1, CV_32SC1, res);   
    criteria= cvTermCriteria(CV_TERMCRIT_EPS, 1000, FLT_EPSILON);   
    param= CvSVMParams (CvSVM::C_SVC, CvSVM::RBF, 10.0, 8.0, 1.0, 10.0, 0.5, 0.1, NULL, criteria);   
    /*  
        SVM种类：CvSVM::C_SVC  
        Kernel的种类：CvSVM::RBF  
        degree：10.0（此次不使用）  
        gamma：8.0  
        coef0：1.0（此次不使用）  
        C：10.0  
        nu：0.5（此次不使用）  
        p：0.1（此次不使用）  
        然后对训练数据正规化处理，并放在CvMat型的数组里。  
                                                            */   
   
   
    //☆☆☆☆☆☆☆☆☆(5)SVM学习☆☆☆☆☆☆☆☆☆☆☆☆    
    svm.train(&data_mat, &res_mat, NULL, NULL, param);//☆    
    //☆☆利用训练数据和确定的学习参数,进行SVM学习☆☆☆☆        
   
    // (6)学习结果的绘图    
    for (i= 0; i< size; i++) {   
        for (j= 0; j< size; j++) {   
            CvMat m;   
            float ret = 0.0;   
            float a[] = { float (j) / size, float (i) / size };   
            cvInitMatHeader(&m, 1, 2, CV_32FC1, a);   
            ret= svm.predict(&m);   
            switch ((int) ret) {   
                case 1:   
                    rcolor= CV_RGB(100, 0, 0);   
                    break;   
                case 2:   
                    rcolor= CV_RGB(0, 100, 0);   
                    break;   
                case 3:   
                    rcolor= CV_RGB(0, 0, 100);   
                    break;   
            }   
            cvSet2D(img, i, j, rcolor);   
        }   
    }   
    //为了显示学习结果，通过输入图像区域的所有像素(特征向量)并进行分类。然后对输入像素用所属等级的颜色绘图。    
   
    // (7)训练数据的再绘制    
    for (i= 0; i< s; i++) {   
        CvScalar rcolor;   
        switch (res[i]) {   
            case 1:   
                rcolor= CV_RGB(255, 0, 0);   
                break;   
            case 2:   
                rcolor= CV_RGB(0, 255, 0);   
                break;   
            case 3:   
                rcolor= CV_RGB(0, 0, 255);   
                break;   
        }   
        cvLine(img, cvPoint(pts[i].x- 2, pts[i].y- 2), cvPoint(pts[i].x+ 2, pts[i].y+ 2), rcolor);   
        cvLine(img, cvPoint(pts[i].x+ 2, pts[i].y- 2), cvPoint(pts[i].x- 2, pts[i].y+ 2), rcolor);   
    }   
    //将训练数据在结果图像上重复的绘制出来。    
   
    // (8)支持向量的绘制    
    sv_num= svm.get_support_vector_count();   
    for (i= 0; i< sv_num; i++) {   
        support = svm.get_support_vector(i);   
        cvCircle(img, cvPoint((int) (support[0] * size), (int) (support[1] * size)), 5, CV_RGB(200, 200, 200));   
    }   
    //用白色的圆圈对支持向量作标记。    
   
    // (9)图像的显示     
    cvNamedWindow("SVM", CV_WINDOW_AUTOSIZE);   
    cvShowImage("SVM", img);   
    cvWaitKey(0);   
    cvDestroyWindow("SVM");   
    cvReleaseImage(&img);   
    return 0;   
    //显示实际处理结果的图像，直到某个键被按下为止。    
}