OpenCV SVM

已于 2023-04-15 00:52:23 修改
阅读量181 收藏 2
点赞数 3
分类专栏： OpenCV 文章标签： opencv 支持向量机 计算机视觉
于 2023-04-14 14:38:30 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_49302377/article/details/130153153
版权
该文详细介绍了如何利用OpenCV库进行图像预处理，包括滤波和轮廓检测，然后提取特征值，如面积和长宽比。通过SVM（支持向量机）进行训练和预测，用于图像识别任务。文章强调了对感兴趣区域的选取以及特征向量在训练和预测过程中的重要性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录

OpenCV SVM

图片机器学习的流程：

  • 预处理，包括去除光和噪声、滤波、模糊等
  • 分割，提取图像中的感兴趣区域，并将每个区域隔离为感兴趣的唯一对象
  • 特征提取，提取每一个对象的特征，这些特征通常是对象特征的向量。特征用于描述对象，可以是对象区域、轮廓、纹理图案、像素等
  • 训练，选择合适的训练算法进行训练
  • 预测，利用训练生成的模型，或者参数对未知特征向量进行预测

最终结果展示：

请添加图片描述

预处理图片

  // Load image to process
  Mat img = imread(img_file, 0);
  cv::imshow("img_file",img);
  std::cout<<"img_rows: "<<img.rows<<" img_cols: "<<img.cols<<std::endl;
  std::cout<<img.size<<std::endl;
 // waitKey(0);
  if(img.data==NULL){
    cout << "Error loading image "<< img_file << endl;
    return 0;
  }
  Mat img_output= img.clone();
  cvtColor(img_output, img_output, COLOR_GRAY2BGR);
 imshow("img_output",img_output);
    std::cout<<"img_output_rows: "<<img_output.rows<<" img_output_cols: "<<img_output.cols<<std::endl;
    std::cout<<img_output.size<<std::endl;
  //waitKey(0);

  // Load image to process
  light_pattern= imread(light_pattern_file, 0);
  imshow("light_pattern",light_pattern);
    waitKey(0);
  if(light_pattern.data==NULL){
    // Calculate light pattern
    cout << "ERROR: Not light patter loaded" << endl;
    return 0;
  }
  medianBlur(light_pattern, light_pattern, 3);

读取读片，并进行中值滤波。

请添加图片描述

提取特征值

bool readFolderAndExtractFeatures(string folder, int label, int num_for_test, 
  vector<float> &trainingData, vector<int> &responsesData,  
  vector<float> &testData, vector<float> &testResponsesData)
{
  VideoCapture images;
  std::cout<<"folder Path: "<<folder<<std::endl;
  if(images.open(folder)==false){
    cout << "Can not open the folder images" << endl;
    return false;
  }
  Mat frame;
  int img_index=0;
  while( images.read(frame) ){
	 Preprocess image
    Mat pre= preprocessImage(frame);
    // Extract features
    vector< vector<float> > features= ExtractFeatures(pre);
    for(int i=0; i< features.size(); i++){
      if(img_index >= num_for_test){
        trainingData.push_back(features[i][0]);
        trainingData.push_back(features[i][1]);
        responsesData.push_back(label);    
      }else{
        testData.push_back(features[i][0]);
        testData.push_back(features[i][1]);
        testResponsesData.push_back((float)label);    
      }
    }
    img_index++;
  }
  return true;  
}

vector< vector<float> > ExtractFeatures(Mat img, vector<int>* left=NULL, vector<int>* top=NULL)
{
  vector< vector<float> > output;
  vector<vector<Point> > contours;
  Mat input= img.clone();
  
  vector<Vec4i> hierarchy;
  findContours(input, contours, hierarchy, RETR_CCOMP, CHAIN_APPROX_SIMPLE);
  // Check the number of objects detected
  if(contours.size() == 0 ){
    return output;
  }
  RNG rng( 0xFFFFFFFF );
  for(int i=0; i<contours.size(); i++){
    
    Mat mask= Mat::zeros(img.rows, img.cols, CV_8UC1);
    drawContours(mask, contours, i, Scalar(1), FILLED, LINE_8, hierarchy, 1);
    Scalar area_s= sum(mask);
    float area= area_s[0];
    
    if(area>500){ //if the area is greather than min.

      RotatedRect r= minAreaRect(contours[i]);
      float width= r.size.width;
      float height= r.size.height;
      float ar=(width<height)?height/width:width/height;

      vector<float> row;
      row.push_back(area);
      row.push_back(ar);
      output.push_back(row);
      if(left!=NULL){
          left->push_back((int)r.center.x);
      }
      if(top!=NULL){
          top->push_back((int)r.center.y);
      }
      
      miw->addImage("Extract Features", mask*255);
      miw->render();
      waitKey(10);
    }
  }
  return output;
}

从数据集中循环读取图片数据，并进行预处理,利用光背景法去除背景，并进行阈值分割。

请添加图片描述

 while( images.read(frame) ){
	 Preprocess image
	imshow("frame",frame);
    Mat pre= preprocessImage(frame);
    imshow("pre",pre);
      waitKey(0);
    // Extract features
    vector< vector<float> > features= ExtractFeatures(pre);
    for(int i=0; i< features.size(); i++){
      if(img_index >= num_for_test){
        trainingData.push_back(features[i][0]);
        trainingData.push_back(features[i][1]);
        responsesData.push_back(label);    
      }else{
        testData.push_back(features[i][0]);
        testData.push_back(features[i][1]);
        testResponsesData.push_back((float)label);    
      }
    }
    img_index++;
  }

提取特征值代码：


vector< vector<float> > ExtractFeatures(Mat img, vector<int>* left=NULL, vector<int>* top=NULL)
{
  vector< vector<float> > output;
  vector<vector<Point> > contours;
  Mat input= img.clone();
  
  vector<Vec4i> hierarchy;
  findContours(input, contours, hierarchy, RETR_CCOMP, CHAIN_APPROX_SIMPLE);
  // Check the number of objects detected
  if(contours.size() == 0 ){
    return output;
  }
  RNG rng( 0xFFFFFFFF );
  for(int i=0; i<contours.size(); i++){
    
    Mat mask= Mat::zeros(img.rows, img.cols, CV_8UC1);
    drawContours(mask, contours, i, Scalar(1), FILLED, LINE_8, hierarchy, 1);
    Scalar area_s= sum(mask);
    float area= area_s[0];
    
    if(area>500){ //if the area is greather than min.

      RotatedRect r= minAreaRect(contours[i]);
      float width= r.size.width;
      float height= r.size.height;
      float ar=(width<height)?height/width:width/height;

      vector<float> row;
      row.push_back(area);
      row.push_back(ar);
      output.push_back(row);
      if(left!=NULL){
          left->push_back((int)r.center.x);
      }
      if(top!=NULL){
          top->push_back((int)r.center.y);
      }
      
      miw->addImage("Extract Features", mask*255);
      miw->render();
      waitKey(10);
    }
  }
  return output;
}

代码流程分析：

  • 预处理后的图片传入ExtractFeatures()函数中
  • 利用找轮廓去找到物品的边缘findContours()
  • 提取数据特征（面积，长宽比）
  • 保存特征数据
if(area>500){ //if the area is greather than min.

      RotatedRect r= minAreaRect(contours[i]);
      float width= r.size.width;
      float height= r.size.height;
      float ar=(width<height)?height/width:width/height;

      vector<float> row;
      row.push_back(area);
      row.push_back(ar);
      output.push_back(row);
      if(left!=NULL){
          left->push_back((int)r.center.x);
      }
      if(top!=NULL){
          top->push_back((int)r.center.y);
      }
      
      miw->addImage("Extract Features", mask*255);
      miw->render();
      waitKey(10);
    }
  }

利用area>500排除掉其它不需要的数据，只保留我们感兴趣的区域。
row = [area1,ar1] output数据为

[area1,ar1]

遍历所有预处理后的图片，提取特征将其保存到trainingData中,features即是Output数据

trainingData.push_back(features[i][0]);
trainingData.push_back(features[i][1]);

trainingData遍历完数据这种形式

{
    area1,
    ar1,
    area2,
    ar2,
    area3,
    ar3,
    .
    .
    .
    arean,
    arn
}

由于area1,ar1是一组不同的特征值，所以需要合并这两个数据

Mat testDataMat(testData.size()/2, 2, CV_32FC1, &testData[0]);

合并完的数据如下：

{
    {area1,ar1},
    {area2,ar2},
    {area3,ar3},
    {area4,ar4},
    .
    .
    .
    {arean,arn}
}

这是打印的testDataMat部分结果

[1215, 1.1219512;
 1185, 1.0952381;
 1194, 1.1049821;
 1221, 1.1016949;
 1220, 1.1038963;
 1187, 1.1016949;
 1204, 1.0952381;
 1203, 1.1219512;
 1203, 1.1264825;
 963, 2.2802894;
 1157, 1.1000001;
 1023, 2.1187501;
 1182, 1.1099707;
 1037, 2.0476189;
 1120, 1.0714285;
 995, 2.1994822;
 1191, 1.1042652;
 1100, 1.8478874;
 1185, 1.1020036;
 971, 2.1699345;
 1174, 1.0952381;
 1003, 2.1633165;
 1139, 1.1206896;]

训练

  • 创建训练数据
  • SVM初始化
  • SVM训练
    Ptr<TrainData> tdata= TrainData::create(trainingDataMat, ROW_SAMPLE, responses);

	svm = cv::ml::SVM::create();
	svm->setType(cv::ml::SVM::C_SVC);
	svm->setNu(0.05);
	svm->setKernel(cv::ml::SVM::CHI2);
	svm->setDegree(1.0);
	svm->setGamma(2.0);
	svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, 100, 1e-6));
	svm->train(tdata);

预测

在预测之前，需要对输入图像进行预处理，分别提取特征。用train->predict进行预测。

  for(int i=0; i< features.size(); i++){
      
    cout << "Data Area AR: " << features[i][0] << " " << features[i][1] << endl;
    
    Mat trainingDataMat(1, 2, CV_32FC1, &features[i][0]);
    cout << "Features to predict: " << trainingDataMat << endl;
    float result= svm->predict(trainingDataMat);
    cout << result << endl;
    
    
    stringstream ss;
    Scalar color;
    if(result==0){
      color= green; // NUT
      ss << "NUT";
    }
    else if(result==1){
      color= blue; // RING
      ss << "RING" ;
    }
    else if(result==2){
      color= red; // SCREW
      ss << "SCREW";
    }
        
    putText(img_output, 
      ss.str(), 
      Point2d(pos_left[i], pos_top[i]), 
      FONT_HERSHEY_SIMPLEX, 
      0.4, 
      color);
    
  }

请添加图片描述

opencv SVM
weixin_54721788的博客
02-25 3227
官方文档的源代码 #include <iostream> #include <opencv2/core.hpp> #include <opencv2/imgproc.hpp> #include "opencv2/imgcodecs.hpp" #include <opencv2/highgui.hpp> #include <opencv2/ml.hpp> using namespace cv; using namespace cv::ml; u
opencv svm训练java_OpenCV SVM内核示例
weixin_29179311的博客
02-28 266
您可以使用2级SVM获得分数，如果您通过 RAW_OUTPUT 预测：// svm.cpp, SVMImpl::predict(...) , line 1917bool returnDFVal = (flags & RAW_OUTPUT) != 0;// svm.cpp, PredictBody::operator(), line 1896,float result = returnDFV...
opencv SVM的使用
brooknew的专栏
10-30 1107
参考 ：https://blog.csdn.net/qq_35054151/article/details/81840935https://blog.csdn.net/weixin_33698823/article/details/94496434 C++ opencv SVM:https://www.cppentry.com/bencandy.php?fid=49&aid=15352...
OpenCV svm java,使用opencv实现支持向量机（SVM）
weixin_42318912的博客
03-10 409
支持向量机的百度百科：http://baike.baidu.com/link?url=be_sHxP-L6kpwFWCrFTDgd5KRR3xlye3N-QI_ndE8lyKEoZJGFxuYfrWHviFq8DZBAGhU3Uh39gZlOFEvElrip4hh6qAi_rYFdcPm7TumAAa428tZ1rV8z9eSmOY1tFMYc7BPKEIx1f_W79E4i-R9q机器学习：机器...
OpenCV中的「SVM分类器」：基本原理、函数解析和示例代码_python opencv svm 图像分类
m0_54853787的博客
04-28 1220
w=(w1​;w2​;wd​)为法向量，决定超平面的方向，b为位移项，决定超平面与原点之间的距离。对于线性可分的样本空间，需要找到具有最大间隔（maximum margin）的划分超平面，即找到能使下式最大化的参数ww和bmin⁡wb12∣∣w∣∣2yiwTxib≥1i12m对于线性不可分的样本空间，可以将样本从原始空间映射到另一个，从而使样本在这个特征空间内线性可分。
opencv svm训练java_OpenCV 中使用SVM
weixin_35574537的博客
02-28 777
分类器分类器是一种计算机程序。他的设计目标是在通过学习后，可自动将数据分到已知类别。平面线性分类器一个简单的分类问题，如图有一些圆圈和一些正方形，如何找一条最优的直线将他们分开？我们可以找到很多种方法画出这条直线，但怎样的直线才是最优的呢？距离样本太近的直线不是最优的，因为这样的直线对噪声敏感度高，泛化性较差。 因此我们的目标是找到一条直线，离最近的点距离最远。怎么寻找距离最远的直线？枚举所有直线...
C++ opencv SVM
特别的猫
07-29 997
C++ SVM #include "stdafx.h" #include <iostream> #include <opencv.hpp> using namespace cv; using namespace cv::ml; //svm包含在ml里面 int main() { int width = 512, height = 512; Mat image = Mat::zeros(height, width, CV_8UC3); //CV_8UC3 无符号整型数据.
OpenCV SVM Java
bashan1604的博客
07-07 562
What's the difference between cvtype values in OPENCV? opencv3学习：reshape函数 /** * */ package com.aistrong.cocke.extraction; import java.io.ByteArrayOutputStream; import java.io.File; import java.io.FileInputStream; import java.util.ArrayList; impor
opencv svm分类
阿周博客
08-25 443
void svm() { // 视觉表达数据的设置 int width = 512, height = 512; Mat image = Mat::zeros(height, width, CV_8UC3); //建立训练数据 int labels[4] = { 1, -1, -1, -1 }; Mat labelsMat(4, 1, CV_32SC1,
opencv svm
LILIHUANG9595的博客
11-29 322
OPENCV SVM介绍和自带例子 转自博客https://www.cnblogs.com/chenzhefan/p/7662315.html
opencv SVM实现二分类的训练与测试
04-23
在本教程中，我们将聚焦于如何使用OpenCV中的支持向量机（SVM，Support Vector Machine）来实现二分类问题的训练与测试。SVM是一种监督学习算法，常用于分类和回归分析，尤其在小样本情况下表现优异。 一、支持向量...
svm.zip_SVM算法opencv_opencv_opencv SVM_opencv svm代码_svm opencv
09-24
OpenCV库，一个强大的计算机视觉库，内置了SVM的实现，使得开发者能够方便地在C++环境中使用SVM算法。 在OpenCV中，SVM的实现基于LIBSVM库，这是一款高效且灵活的SVM工具，适用于各种机器学习任务。`svm.zip`压缩包...
opencv svm训练及检测代码+样本描述文件
07-27
OpenCV是一个强大的开源计算机视觉库，它提供了对SVM的支持，使得开发者能够轻松地实现SVM相关的应用。在这个项目中，我们将深入探讨OpenCV中的SVM用于目标检测的具体步骤，以及相关文件的用途。 1. **SVM的理解与...
OpenCV CUDA模块中矩阵操作------归一化与变换操作
jndingxin的专栏
05-16 267
在 OpenCV 的 CUDA 模块中，normalize 和 rectStdDev 函数用于对矩阵进行归一化处理和基于积分图计算矩形区域的标准差。
OpenCV的CUDA模块进行图像处理
wangmengmeng99的博客
05-13 461
本文介绍了使用OpenCV和CUDA加速的四种图像处理技术：灰度化、高斯模糊、Sobel边缘检测和直方图均衡化。每种技术都通过将图像数据上传到GPU，利用CUDA进行加速处理，最后将结果下载回CPU。灰度化通过cv::cuda::cvtColor实现，高斯模糊使用cv::cuda::createGaussianFilter创建滤波器，Sobel边缘检测通过cv::cuda::createSobelFilter实现，直方图均衡化则通过cv::cuda::equalizeHist完成。这些方法显著提升了图像处理
OpenCV下安装opencv_contrib 扩展模块进行人脸特征识别mingw32
最新发布
qq_40326539的博客
05-16 100
由于我本地安装是OpenCV4.9版本的。这个版本cv::face已经被移除，无法进行人脸识别，如果需要的话，就得单独安装opencv_contrib模块，
OpenCV进阶操作：光流估计
m0_65065095的博客
05-12 1122
光流（Optical Flow）是计算机视觉中用于描述图像序列中物体运动模式的核心技术。从视频稳定到自动驾驶，从动作识别到增强现实，光流估计在动态场景分析中扮演着关键角色。OpenCV提供了多种光流算法实现，本文将深入解析其原理与实践方法。OpenCV的光流工具为运动分析提供了强大支持，稀疏光流适合实时跟踪，稠密光流适合精细分析参数调优需在精度与效率之间取得平衡结合传统图像处理与深度学习可获得更鲁棒的结果。
OpenCV中的光流估计方法详解
zdx2585503940的博客
05-13 1003
本文实现了一个基于OpenCV的简单运动目标跟踪系统，展示了光流法的基本应用。虽然实现相对简单，但包含了目标跟踪的核心思想。读者可以在此基础上进行扩展，开发更复杂的跟踪系统。我们定能不负所托 不负所望！！！🚀🚀🚀。
OpenCV CUDA 模块中用于在 GPU 上计算矩阵中每个元素的绝对值或复数的模函数abs()
jndingxin的专栏
05-14 354
void cv::cuda::abs(InputArray src, OutputArray dst, Stream &stream = Stream::Null()) 是 OpenCV 的 CUDA 模块中的一个函数，用于在 GPU 上计算矩阵中每个元素的绝对值或复数的模。这个函数可以加速图像处理和计算机视觉任务中对绝对值的操作。
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

打赏作者

ZUSTAND

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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