OpenCV3.0或OpenCV3.1的SVM操作

最新推荐文章于 2024-02-01 14:20:35 发布
最新推荐文章于 2024-02-01 14:20:35 发布
阅读量1.9k 收藏 9
点赞数 1
分类专栏： OpenCV

OpenCV2.0 SVM代码及其分析

OpenCV 在很久以前就集成了SVM的功能，现在OpenCV升级到了3.0和3.1了，很多人都不习惯了怎么调用OpenCV中的SVM功能了。在之前OpenCV的SVM调用一直有个案例：首先，给定几组训练数据，并且给了label所对应的值。然后经过训练之后，对图像的各个位置进行预测是1还是-1。如果是1的话，用绿色来表示，如果是-1呢，用蓝色表示。并且还画出几个支持向量。 
下面给了OpenCV2.0 的SVM代码(勿喷，直接从OpenCV官方网址复制下来的)

#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/ml/ml.hpp>

using namespace cv;

int main()
{
    // Data for visual representation
    int width = 512, height = 512;
    Mat image = Mat::zeros(height, width, CV_8UC3);

    // Set up training data
    float labels[4] = {1.0, -1.0, -1.0, -1.0};
    Mat labelsMat(3, 1, CV_32FC1, labels);

    float trainingData[4][2] = { {501, 10}, {255, 10}, {501, 255}, {10, 501} };
    Mat trainingDataMat(3, 2, CV_32FC1, trainingData);

    // Set up SVM's parameters
    CvSVMParams params;
    params.svm_type    = CvSVM::C_SVC;
    params.kernel_type = CvSVM::LINEAR;
    params.term_crit   = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6);

    // Train the SVM
    CvSVM SVM;
    SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);

    Vec3b green(0,255,0), blue (255,0,0);
    // Show the decision regions given by the SVM
    for (int i = 0; i < image.rows; ++i)
        for (int j = 0; j < image.cols; ++j)
        {
            Mat sampleMat = (Mat_<float>(1,2) << i,j);
            float response = SVM.predict(sampleMat);

            if (response == 1)
                image.at<Vec3b>(j, i)  = green;
            else if (response == -1) 
                 image.at<Vec3b>(j, i)  = blue;
        }

    // Show the training data
    int thickness = -1;
    int lineType = 8;
    circle( image, Point(501,  10), 5, Scalar(  0,   0,   0), thickness, lineType);
    circle( image, Point(255,  10), 5, Scalar(255, 255, 255), thickness, lineType);
    circle( image, Point(501, 255), 5, Scalar(255, 255, 255), thickness, lineType);
    circle( image, Point( 10, 501), 5, Scalar(255, 255, 255), thickness, lineType);

    // Show support vectors
    thickness = 2;
    lineType  = 8;
    int c     = SVM.get_support_vector_count();

    for (int i = 0; i < c; ++i)
    {
        const float* v = SVM.get_support_vector(i);
        circle( image,  Point( (int) v[0], (int) v[1]),   6,  Scalar(128, 128, 128), thickness, lineType);
    }

    imwrite("result.png", image);        // save the image 

    imshow("SVM Simple Example", image); // show it to the user
    waitKey(0);

}
 
 
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53
  • 54
  • 55
  • 56
  • 57
  • 58
  • 59
  • 60
  • 61
  • 62
  • 63
  • 64
  • 65
  • 66
  • 67
  • 68

OpenCV 3.0、OpenCV3.1 的SVM训练代码

下面给出了正确的，记住是正确的代码：

例子1：


#include "stdafx.h"
#include "opencv2/opencv.hpp"
using namespace cv;
using namespace cv::ml;

int main(int, char**)
{
	int width = 512, height = 512;
	Mat image = Mat::zeros(height, width, CV_8UC3);  //创建窗口可视化

													 // 设置训练数据
	int labels[10] = { 1, -1, 1, 1,-1,1,-1,1,-1,-1 };
	Mat labelsMat(10, 1, CV_32SC1, labels);

	float trainingData[10][2] = { { 501, 150 },{ 255, 10 },{ 501, 255 },{ 10, 501 },{ 25, 80 },
	{ 150, 300 },{ 77, 200 } ,{ 300, 300 } ,{ 45, 250 } ,{ 200, 200 } };
	Mat trainingDataMat(10, 2, CV_32FC1, trainingData);

	// 创建分类器并设置参数
	Ptr<SVM> model = SVM::create();
	model->setType(SVM::C_SVC);
	model->setKernel(SVM::LINEAR);  //核函数

									//设置训练数据 
	Ptr<TrainData> tData = TrainData::create(trainingDataMat, ROW_SAMPLE, labelsMat);

	// 训练分类器
	model->train(tData);

	Vec3b green(0, 255, 0), blue(255, 0, 0);
	// Show the decision regions given by the SVM
	for (int i = 0; i < image.rows; ++i)
		for (int j = 0; j < image.cols; ++j)
		{
			Mat sampleMat = (Mat_<float>(1, 2) << j, i);  //生成测试数据
			float response = model->predict(sampleMat);  //进行预测，返回1或-1

			if (response == 1)
				image.at<Vec3b>(i, j) = green;
			else if (response == -1)
				image.at<Vec3b>(i, j) = blue;
		}

	// 显示训练数据
	int thickness = -1;
	int lineType = 8;
	Scalar c1 = Scalar::all(0); //标记为1的显示成黑点
	Scalar c2 = Scalar::all(255); //标记成-1的显示成白点
								  //绘图时，先宽后高，对应先列后行
	for (int i = 0; i < labelsMat.rows; i++)
	{
		const float* v = trainingDataMat.ptr<float>(i); //取出每行的头指针
		Point pt = Point((int)v[0], (int)v[1]);
		if (labels[i] == 1)
			circle(image, pt, 5, c1, thickness, lineType);
		else
			circle(image, pt, 5, c2, thickness, lineType);

	}

	imshow("SVM Simple Example", image);
	waitKey(0);

}


例子2：


#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 };
    float trainingData[4][2] = { { 501, 10 }, { 255, 10 }, { 501, 255 }, { 10, 501 } };
    cv::Mat trainingDataMat(4, 2, CV_32FC1, trainingData);
    cv::Mat labelsMat(4, 1, CV_32SC1, labels);

    // initial SVM
    cv::Ptr<cv::ml::SVM> svm = cv::ml::SVM::create();
    svm->setType(cv::ml::SVM::Types::C_SVC);
    svm->setKernel(cv::ml::SVM::KernelTypes::LINEAR);
    svm->setTermCriteria(cv::TermCriteria(cv::TermCriteria::MAX_ITER, 100, 1e-6));

    // 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;

    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(255, 255, 255), 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;
}
 
 
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53
  • 54
  • 55
  • 56
  • 57
  • 58
  • 59
  • 60
  • 61
  • 62
  • 63
  • 64
  • 65
  • 66
  • 67
  • 68
  • 69
  • 70
  • 71
  • 72

运行的效果如下： 
OpenCV3.1 SVM运行效果图

为了保证代码可读性，代码没有用using namespace cv或using namespace cv::ml;之类的代码，全部都写完整的名称，命名空间+类名。比如设置SVM的核类型为线性，写成svm->setKernel(cv::ml::SVM::KernelTypes::LINEAR);。当然，这个只是一处地方，其他的请自己阅读。

代码的注意事项

虽然，大家的目标很明确：导入训练数据+label –> Mat, 训练，预测，显示这些目标。但是仍然避免不了代码错误。下面就是我遇到的代码的问题。

标签以及变成Mat的数据类型

其实，在本代码中出现了一种情况就是数据类型，下面均以标签为例： 
这个是OpenCV3.0、OpenCV3.1正确的代码：

int labels[4] = { 1, -1, -1, -1 };
cv::Mat labelsMat(4, 1, CV_32SC1, labels);
 
 
  • 1
  • 2

下面是OpenCV 2.X 正确代码

float labels[4] = {1.0, -1.0, -1.0, -1.0};
Mat labelsMat(3, 1, CV_32FC1, labels);
 
 
  • 1
  • 2

如果将OpenCV 2.X的代码换到OpenCV 3.1、OpenCV3.0代码会有什么样子的结果呢？ 
这里写图片描述 
这个很熟悉吧所以，如果傻乎乎的换，这个是行不通的。 
下面对于label和labelMat按照不同的情况进行分析。 
首先，这个labelMat和trainingMat到底能取哪几种类型？

下面，请看OpenCV3.1 源码中的一个部分：

void setData(InputArray _samples, int _layout, InputArray _responses,
                 InputArray _varIdx, InputArray _sampleIdx, InputArray _sampleWeights,
                 InputArray _varType, InputArray _missing)
    {
        samples = _samples.getMat(); 
        responses = _responses.getMat();
        CV_Assert( samples.type() == CV_32F || samples.type() == CV_32S );
        if( !responses.empty() )
        {
            CV_Assert( responses.type() == CV_32F || responses.type() == CV_32S );
        }
    }
 
 
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12

为了方便起见，将这个函数的代码的其他部分删除了。首先解释一下：samples就是训练的数据。response就是标签。通过上面，我们知道再来用Mat的时候，只能用CV_32F和CV_32S。所以说，如果这些矩阵不能写什么CV_8UC1之类的了，这个是错误的。

假设我们写其他的情况，比如

label为int，labelsMat为CV_32SC1

这个是正确的。

label为float，labelsMat为CV_32FC1

这个会出现错误，这个我还没有分析出来是什么原因。错误的截图如下：错误。 
下面的错误均表示为截图所示的错误。

label为int，labelsMat为CV_32FC1

同样的，这个是错误。当我们用Imagewatch插件去观察labelsMat的值的时候发现这个labelsMat的值为这里写图片描述。好吧，这个很明显了。

label为float，labelsMat为CV_32SC1

这个是可以运行的，但是结果肯定是错误的。同样的，值不对。

AI吃大瓜
关注
专栏目录
python训练svm分类器_如何使用Python中的OpenCV 3.0中的HOG功能训练SVM分类器？
weixin_35698035的博客
02-11 658
目前我有同样的问题,我看过OpenCV的以下文件：在哪里可以找到答案的一部分：deskewed = [map(deskew,row) for row in train_cells]hogdata = [map(hog,row) for row in deskewed]trainData = np.float32(hogdata).reshape(-1,64)responses = np.float...
OpenCV3.1.zip
07-11
本资源“OpenCV3.1.zip”提供了OpenCV 3.1版本的源代码和运行环境，特别适合初学者和开发者，他们希望在C++环境下学习和应用OpenCV进行图像处理和计算机视觉任务。 OpenCV库的安装通常包括两个主要步骤：安装库文件...
opencv3.0 svm使用方法
04-25
给您的opencv3.1中使用svm提供简单的介绍和使用方法~~
OpenCv3.0+SVM的使用心得（一）
zhuiqiuk的专栏
10-26 871
1.open cv3.0版本中没有了CvSVM类的定义，而是将其写入到一个document中，但是使用也并不复杂，代码示例如下： ml::SVM::Params params; params.svmType = ml::SVM::C_SVC; params.kernelType = ml::SVM::POLY; params.gamma = 3; Ptrml::SVM> svm = ml::SV
opencv3.0 调用函数，测试训练svm生成的分类器
u013419097的专栏
05-09 589
#pragma once#pragma execution_character_set("utf-8")#include "svm_hog_test_opencv3.h"#include &lt;io.h&gt;using namespace cv;using namespace cv::ml;using namespace std;void getFiles(string path, vecto...
OpenCv3.0+SVM的使用心得（二）
u010869312的专栏
04-12 2801
主要有4点总结： 1. 读取txt的内容(文件路径)，按行输出。下面语句中，pictures.txt中是文件夹中的文件（图片）列表，samplePath是文件夹路径（string格式）。string和char类型可以使用‘+’连接。char positiveImgName[256]; fream f; f.open("D:\\pictures.txt",ios::in); while (!f.e
基于opencv3.1库的JAVA源码
09-29
2-2 关于OpenCV 3.0及3.1 43 2-3 使用Java开发OpenCV的缺点 45 2-4 OpenCV的下载及安装 45 2-5 Eclipse设定OpenCV开发环境 46 2-6 整合Java之Eclipse与OpenCV 49 2-7 开发第一个OpenCV程式 51 2-8 建立矩阵 52 范例2...
opencv3.1用SVM实现MNIST
05-08
在这个项目中，“opencv3.1用SVM实现MNIST”是利用OpenCV 3.1版本的SVM功能来识别手写数字，具体是通过MNIST数据集进行训练和测试。MNIST数据集是机器学习领域的一个经典问题，它包含大量的手写数字图像，被广泛用于...
cv2.error
weixin_38876104的博客
12-18 1196
cv2.error: OpenCV(3.4.4) C:\projects\opencv-python\opencv\modules\ml\src\data.cpp:257: error: (-215:Assertion failed) samples.type() == CV_32F || samples.type() == CV_32S in function ‘cv::ml::TrainDat...
opencv_c++学习（二十九）
qq_52302919的博客
05-29 921
首先给出一个阈值k，后寻找距离黑色圆点最近的k个元素，占据比例大的元素即为黑色所属的类别。如图所示，即k=3时，黑色圆属于三角形，k=5时圆点属于正方形。trainData:训练时使用的数据，数据为Ptr类型。flags:构建模型方法标志，例如UPDATE_MODEL表示对使用新数据对模型进行更新。samplcs:输入数据矩阵，矩阵数据类型必须是cV_32。results:对输入数据预测结果的输出矩阵。flags:模型方法标志，取决于具体模型。
python做界面读取数据时出现错误,python - 在MNIST数据集上工作时在OpenCV中获取大小错误...
weixin_39727743的博客
03-26 470
我正在使用OpenCV和ML模块训练MLP。我收到一个无法修复的未知错误:"error: OpenCV(3.4.3) /io/opencv/modules/ml/src/data.cpp:257: error:(-215:Assertion failed) samples.type() == CV_32F || samples.type() ==CV_32S in function 'setDat...
error: (-215:Assertion failed) samples.cols == var_count && samples.type() == CV_32F in function ‘解决
当年月明的博客
10-13 1457
cv2.error: OpenCV(4.4.0) C:\Users\appveyor\AppData\Local\Temp\1\pip-req-build-95hbg2jt\opencv\modules\ml\src\svm.cpp:2013: error: (-215:Assertion failed) samples.cols == var_count && samples.type() == CV_32F in function 'cv::ml::SVMImpl::predict' 解决方法
opencv svm使用总结
wuaini_1314的专栏
01-13 510
第一次需要使用opencv 来实现svm分类，记录一下大体的流程。 //---------- 头文件 #include <iostream> #include <opencv2/core.hpp> #include <opencv2/imgproc.hpp> #include "opencv2/imgcodecs.hpp" #include <opencv...
opencv + SVM 代码
星月夜话
05-29 1135
参考：https://blog.csdn.net/chaipp0607/article/details/68067098//--------------------------------------【程序说明】------------------------------------------- // //--------------------------------------------...
OpenCV Mat 类型定义和赋值，以及切片操作
西北工业大学的博客
03-09 8020
1.一般的Mat定义方法：cv::Mat M(height,width,)，例： cv::Mat M(480,640,CV_8UC3); 表示定义了一个480行640列的矩阵，矩阵的每个单元的由三个(C3:3 Channel)8位无符号整形(U Unsigned U8 8位)构成。 2.将已有数组赋给Mat矩阵的方法： cv::Mat M = cv::Mat(height,width,,data)...
OpenCV 创建图像时，CV_8UC1，CV_32FC3，CV_32S等参数的含义
热门推荐
Young_Fan
08-20 6万+
形式：CV_<bit_depth>(S|U|F)C<number_of_channels> bit_depth：比特数---代表8bite,16bites,32bites,64bites... 举个例子吧--比如说： 如果你现在创建了一个存储--灰度图片的Mat对象,这个图像的大小为宽100,高100,那么,现在这张灰度图片中有10000个像素点，它每一个...
OpenCV Error: Assertion failed ((type == CV_8U && dtype == CV_32S) || dtype == CV_32F)
西北工业大学的博客
10-14 1万+
在做视觉里程计时，之间套用高博slam14讲的方法时报错： OpenCV Error: Assertion failed ((type == CV_8U &amp;amp;&amp;amp; dtype == CV_32S) || dtype == CV_32F) in batchDistance 原因：Since SIFT and SURF return a detectorType() of CV32F (=...
手把手教你基于SVM的数字识别（ C++/opencv）（逐曦战队算法组寒假自学实战1装甲板数字识别讲解）
最新发布
Gen_TiC的博客
02-01 1809
机器学习的核心是“使用算法解析数据，从中学习，然后对世界上的某件事情做出决定或预测”。这意味着，与其显式地编写程序来执行某些任务，不如教计算机如何开发一个算法来完成任务。在对机器学习的使用中，我们的任务就是通过给计算机输入数据，告诉它这些数据对应的标签。通过一系列训练，达到再输入其他数据时，计算机可以给出对应的结果标签。机器学习有很多种类型，训练的分类方法也有很多种。机器学习还是人工智能的一个分支，使用特定的算法和编程方法实现人工智能。这里我们不做讨论。
Visual Studio 2013 下的 OpenCV 3.0 配置指南
Opencv3.0配置 Opencv3.0是一个功能强大的计算机视觉库，广泛应用于图像处理、机器学习、计算机视觉等领域。本文将详细介绍Opencv3.0在Visual Studio 2013下的配置步骤，以便读者更好地使用Opencv3.0进行开发。 一...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值