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

最新推荐文章于 2024-07-16 19:26:54 发布

m0_61331237

最新推荐文章于 2024-07-16 19:26:54 发布

阅读量300

点赞数 3

分类专栏：程序员文章标签： python 学习面试

本文链接：https://blog.csdn.net/m0_61331237/article/details/138959350

版权

程序员专栏收录该内容

257 篇文章 0 订阅

订阅专栏

最后

🍅 硬核资料：关注即可领取PPT模板、简历模板、行业经典书籍PDF。
🍅 技术互助：技术群大佬指点迷津，你的问题可能不是问题，求资源在群里喊一声。
🍅 面试题库：由技术群里的小伙伴们共同投稿，热乎的大厂面试真题，持续更新中。
🍅 知识体系：含编程语言、算法、大数据生态圈组件（Mysql、Hive、Spark、Flink）、数据仓库、Python、前端等等。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

(

)

≥

y_i(\boldsymbol{w}^T\boldsymbol{x_i}+b)≥1

yi(wTxi+b)≥1

用参数C来约束分类出错的样本，松弛变量

ξ_i

ξi表示训练样本距离对应的正确决策边界的距离，对于分类正确的样本距离即为03，所以实际累加的是出错样本的距离。

在这里插入图片描述

优化问题调整为：

∣

∑

min_{\boldsymbol{w},b_0}{||\boldsymbol{w}||^2+C\sum_i{ξ_i}}

minw,b0∣∣w∣∣2+Ci∑ξi

s.t.

(

)

≥

−

且

≥

∀

y_i(\boldsymbol{w}^T\boldsymbol{x_i}+b_0)≥1-ξ_i,且ξ_i≥0 ∀i

yi(wTxi+b0)≥1−ξi,且ξi≥0∀i

3. 函数解析

SVM类在opencv中的继承关系如图所示4：

在这里插入图片描述
SVM继承自StatModel和Algorithm类。

在opencv中使用SVM的一般流程如下：

#mermaid-svg-rzGo5PBLAQjMOTen .label{font-family:‘trebuchet ms’, verdana, arial;font-family:var(–mermaid-font-family);fill:#333;color:#333}#mermaid-svg-rzGo5PBLAQjMOTen .label text{fill:#333}#mermaid-svg-rzGo5PBLAQjMOTen .node rect,#mermaid-svg-rzGo5PBLAQjMOTen .node circle,#mermaid-svg-rzGo5PBLAQjMOTen .node ellipse,#mermaid-svg-rzGo5PBLAQjMOTen .node polygon,#mermaid-svg-rzGo5PBLAQjMOTen .node path{fill:#ECECFF;stroke:#9370db;stroke-width:1px}#mermaid-svg-rzGo5PBLAQjMOTen .node .label{text-align:center;fill:#333}#mermaid-svg-rzGo5PBLAQjMOTen .node.clickable{cursor:pointer}#mermaid-svg-rzGo5PBLAQjMOTen .arrowheadPath{fill:#333}#mermaid-svg-rzGo5PBLAQjMOTen .edgePath .path{stroke:#333;stroke-width:1.5px}#mermaid-svg-rzGo5PBLAQjMOTen .flowchart-link{stroke:#333;fill:none}#mermaid-svg-rzGo5PBLAQjMOTen .edgeLabel{background-color:#e8e8e8;text-align:center}#mermaid-svg-rzGo5PBLAQjMOTen .edgeLabel rect{opacity:0.9}#mermaid-svg-rzGo5PBLAQjMOTen .edgeLabel span{color:#333}#mermaid-svg-rzGo5PBLAQjMOTen .cluster rect{fill:#ffffde;stroke:#aa3;stroke-width:1px}#mermaid-svg-rzGo5PBLAQjMOTen .cluster text{fill:#333}#mermaid-svg-rzGo5PBLAQjMOTen div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:‘trebuchet ms’, verdana, arial;font-family:var(–mermaid-font-family);font-size:12px;background:#ffffde;border:1px solid #aa3;border-radius:2px;pointer-events:none;z-index:100}#mermaid-svg-rzGo5PBLAQjMOTen .actor{stroke:#ccf;fill:#ECECFF}#mermaid-svg-rzGo5PBLAQjMOTen text.actor>tspan{fill:#000;stroke:none}#mermaid-svg-rzGo5PBLAQjMOTen .actor-line{stroke:grey}#mermaid-svg-rzGo5PBLAQjMOTen .messageLine0{stroke-width:1.5;stroke-dasharray:none;stroke:#333}#mermaid-svg-rzGo5PBLAQjMOTen .messageLine1{stroke-width:1.5;stroke-dasharray:2, 2;stroke:#333}#mermaid-svg-rzGo5PBLAQjMOTen #arrowhead path{fill:#333;stroke:#333}#mermaid-svg-rzGo5PBLAQjMOTen .sequenceNumber{fill:#fff}#mermaid-svg-rzGo5PBLAQjMOTen #sequencenumber{fill:#333}#mermaid-svg-rzGo5PBLAQjMOTen #crosshead path{fill:#333;stroke:#333}#mermaid-svg-rzGo5PBLAQjMOTen .messageText{fill:#333;stroke:#333}#mermaid-svg-rzGo5PBLAQjMOTen .labelBox{stroke:#ccf;fill:#ECECFF}#mermaid-svg-rzGo5PBLAQjMOTen .labelText,#mermaid-svg-rzGo5PBLAQjMOTen .labelText>tspan{fill:#000;stroke:none}#mermaid-svg-rzGo5PBLAQjMOTen .loopText,#mermaid-svg-rzGo5PBLAQjMOTen .loopText>tspan{fill:#000;stroke:none}#mermaid-svg-rzGo5PBLAQjMOTen .loopLine{stroke-width:2px;stroke-dasharray:2, 2;stroke:#ccf;fill:#ccf}#mermaid-svg-rzGo5PBLAQjMOTen .note{stroke:#aa3;fill:#fff5ad}#mermaid-svg-rzGo5PBLAQjMOTen .noteText,#mermaid-svg-rzGo5PBLAQjMOTen .noteText>tspan{fill:#000;stroke:none}#mermaid-svg-rzGo5PBLAQjMOTen .activation0{fill:#f4f4f4;stroke:#666}#mermaid-svg-rzGo5PBLAQjMOTen .activation1{fill:#f4f4f4;stroke:#666}#mermaid-svg-rzGo5PBLAQjMOTen .activation2{fill:#f4f4f4;stroke:#666}#mermaid-svg-rzGo5PBLAQjMOTen .mermaid-main-font{font-family:“trebuchet ms”, verdana, arial;font-family:var(–mermaid-font-family)}#mermaid-svg-rzGo5PBLAQjMOTen .section{stroke:none;opacity:0.2}#mermaid-svg-rzGo5PBLAQjMOTen .section0{fill:rgba(102,102,255,0.49)}#mermaid-svg-rzGo5PBLAQjMOTen .section2{fill:#fff400}#mermaid-svg-rzGo5PBLAQjMOTen .section1,#mermaid-svg-rzGo5PBLAQjMOTen .section3{fill:#fff;opacity:0.2}#mermaid-svg-rzGo5PBLAQjMOTen .sectionTitle0{fill:#333}#mermaid-svg-rzGo5PBLAQjMOTen .sectionTitle1{fill:#333}#mermaid-svg-rzGo5PBLAQjMOTen .sectionTitle2{fill:#333}#mermaid-svg-rzGo5PBLAQjMOTen .sectionTitle3{fill:#333}#mermaid-svg-rzGo5PBLAQjMOTen .sectionTitle{text-anchor:start;font-size:11px;text-height:14px;font-family:‘trebuchet ms’, verdana, arial;font-family:var(–mermaid-font-family)}#mermaid-svg-rzGo5PBLAQjMOTen .grid .tick{stroke:#d3d3d3;opacity:0.8;shape-rendering:crispEdges}#mermaid-svg-rzGo5PBLAQjMOTen .grid .tick text{font-family:‘trebuchet ms’, verdana, arial;font-family:var(–mermaid-font-family)}#mermaid-svg-rzGo5PBLAQjMOTen .grid path{stroke-width:0}#mermaid-svg-rzGo5PBLAQjMOTen .today{fill:none;stroke:red;stroke-width:2px}#mermaid-svg-rzGo5PBLAQjMOTen .task{stroke-width:2}#mermaid-svg-rzGo5PBLAQjMOTen .taskText{text-anchor:middle;font-family:‘trebuchet ms’, verdana, arial;font-family:var(–mermaid-font-family)}#mermaid-svg-rzGo5PBLAQjMOTen .taskText:not([font-size]){font-size:11px}#mermaid-svg-rzGo5PBLAQjMOTen .taskTextOutsideRight{fill:#000;text-anchor:start;font-size:11px;font-family:‘trebuchet ms’, verdana, arial;font-family:var(–mermaid-font-family)}#mermaid-svg-rzGo5PBLAQjMOTen .taskTextOutsideLeft{fill:#000;text-anchor:end;font-size:11px}#mermaid-svg-rzGo5PBLAQjMOTen .task.clickable{cursor:pointer}#mermaid-svg-rzGo5PBLAQjMOTen .taskText.clickable{cursor:pointer;fill:#003163 !important;font-weight:bold}#mermaid-svg-rzGo5PBLAQjMOTen .taskTextOutsideLeft.clickable{cursor:pointer;fill:#003163 !important;font-weight:bold}#mermaid-svg-rzGo5PBLAQjMOTen .taskTextOutsideRight.clickable{cursor:pointer;fill:#003163 !important;font-weight:bold}#mermaid-svg-rzGo5PBLAQjMOTen .taskText0,#mermaid-svg-rzGo5PBLAQjMOTen .taskText1,#mermaid-svg-rzGo5PBLAQjMOTen .taskText2,#mermaid-svg-rzGo5PBLAQjMOTen .taskText3{fill:#fff}#mermaid-svg-rzGo5PBLAQjMOTen .task0,#mermaid-svg-rzGo5PBLAQjMOTen .task1,#mermaid-svg-rzGo5PBLAQjMOTen .task2,#mermaid-svg-rzGo5PBLAQjMOTen .task3{fill:#8a90dd;stroke:#534fbc}#mermaid-svg-rzGo5PBLAQjMOTen .taskTextOutside0,#mermaid-svg-rzGo5PBLAQjMOTen .taskTextOutside2{fill:#000}#mermaid-svg-rzGo5PBLAQjMOTen .taskTextOutside1,#mermaid-svg-rzGo5PBLAQjMOTen .taskTextOutside3{fill:#000}#mermaid-svg-rzGo5PBLAQjMOTen .active0,#mermaid-svg-rzGo5PBLAQjMOTen .active1,#mermaid-svg-rzGo5PBLAQjMOTen .active2,#mermaid-svg-rzGo5PBLAQjMOTen .active3{fill:#bfc7ff;stroke:#534fbc}#mermaid-svg-rzGo5PBLAQjMOTen .activeText0,#mermaid-svg-rzGo5PBLAQjMOTen .activeText1,#mermaid-svg-rzGo5PBLAQjMOTen .activeText2,#mermaid-svg-rzGo5PBLAQjMOTen .activeText3{fill:#000 !important}#mermaid-svg-rzGo5PBLAQjMOTen .done0,#mermaid-svg-rzGo5PBLAQjMOTen .done1,#mermaid-svg-rzGo5PBLAQjMOTen .done2,#mermaid-svg-rzGo5PBLAQjMOTen .done3{stroke:grey;fill:#d3d3d3;stroke-width:2}#mermaid-svg-rzGo5PBLAQjMOTen .doneText0,#mermaid-svg-rzGo5PBLAQjMOTen .doneText1,#mermaid-svg-rzGo5PBLAQjMOTen .doneText2,#mermaid-svg-rzGo5PBLAQjMOTen .doneText3{fill:#000 !important}#mermaid-svg-rzGo5PBLAQjMOTen .crit0,#mermaid-svg-rzGo5PBLAQjMOTen .crit1,#mermaid-svg-rzGo5PBLAQjMOTen .crit2,#mermaid-svg-rzGo5PBLAQjMOTen .crit3{stroke:#f88;fill:red;stroke-width:2}#mermaid-svg-rzGo5PBLAQjMOTen .activeCrit0,#mermaid-svg-rzGo5PBLAQjMOTen .activeCrit1,#mermaid-svg-rzGo5PBLAQjMOTen .activeCrit2,#mermaid-svg-rzGo5PBLAQjMOTen .activeCrit3{stroke:#f88;fill:#bfc7ff;stroke-width:2}#mermaid-svg-rzGo5PBLAQjMOTen .doneCrit0,#mermaid-svg-rzGo5PBLAQjMOTen .doneCrit1,#mermaid-svg-rzGo5PBLAQjMOTen .doneCrit2,#mermaid-svg-rzGo5PBLAQjMOTen .doneCrit3{stroke:#f88;fill:#d3d3d3;stroke-width:2;cursor:pointer;shape-rendering:crispEdges}#mermaid-svg-rzGo5PBLAQjMOTen .milestone{transform:rotate(45deg) scale(0.8, 0.8)}#mermaid-svg-rzGo5PBLAQjMOTen .milestoneText{font-style:italic}#mermaid-svg-rzGo5PBLAQjMOTen .doneCritText0,#mermaid-svg-rzGo5PBLAQjMOTen .doneCritText1,#mermaid-svg-rzGo5PBLAQjMOTen .doneCritText2,#mermaid-svg-rzGo5PBLAQjMOTen .doneCritText3{fill:#000 !important}#mermaid-svg-rzGo5PBLAQjMOTen .activeCritText0,#mermaid-svg-rzGo5PBLAQjMOTen .activeCritText1,#mermaid-svg-rzGo5PBLAQjMOTen .activeCritText2,#mermaid-svg-rzGo5PBLAQjMOTen .activeCritText3{fill:#000 !important}#mermaid-svg-rzGo5PBLAQjMOTen .titleText{text-anchor:middle;font-size:18px;fill:#000;font-family:‘trebuchet ms’, verdana, arial;font-family:var(–mermaid-font-family)}#mermaid-svg-rzGo5PBLAQjMOTen g.classGroup text{fill:#9370db;stroke:none;font-family:‘trebuchet ms’, verdana, arial;font-family:var(–mermaid-font-family);font-size:10px}#mermaid-svg-rzGo5PBLAQjMOTen g.classGroup text .title{font-weight:bolder}#mermaid-svg-rzGo5PBLAQjMOTen g.clickable{cursor:pointer}#mermaid-svg-rzGo5PBLAQjMOTen g.classGroup rect{fill:#ECECFF;stroke:#9370db}#mermaid-svg-rzGo5PBLAQjMOTen g.classGroup line{stroke:#9370db;stroke-width:1}#mermaid-svg-rzGo5PBLAQjMOTen .classLabel .box{stroke:none;stroke-width:0;fill:#ECECFF;opacity:0.5}#mermaid-svg-rzGo5PBLAQjMOTen .classLabel .label{fill:#9370db;font-size:10px}#mermaid-svg-rzGo5PBLAQjMOTen .relation{stroke:#9370db;stroke-width:1;fill:none}#mermaid-svg-rzGo5PBLAQjMOTen .dashed-line{stroke-dasharray:3}#mermaid-svg-rzGo5PBLAQjMOTen #compositionStart{fill:#9370db;stroke:#9370db;stroke-width:1}#mermaid-svg-rzGo5PBLAQjMOTen #compositionEnd{fill:#9370db;stroke:#9370db;stroke-width:1}#mermaid-svg-rzGo5PBLAQjMOTen #aggregationStart{fill:#ECECFF;stroke:#9370db;stroke-width:1}#mermaid-svg-rzGo5PBLAQjMOTen #aggregationEnd{fill:#ECECFF;stroke:#9370db;stroke-width:1}#mermaid-svg-rzGo5PBLAQjMOTen #dependencyStart{fill:#9370db;stroke:#9370db;stroke-width:1}#mermaid-svg-rzGo5PBLAQjMOTen #dependencyEnd{fill:#9370db;stroke:#9370db;stroke-width:1}#mermaid-svg-rzGo5PBLAQjMOTen #extensionStart{fill:#9370db;stroke:#9370db;stroke-width:1}#mermaid-svg-rzGo5PBLAQjMOTen #extensionEnd{fill:#9370db;stroke:#9370db;stroke-width:1}#mermaid-svg-rzGo5PBLAQjMOTen .commit-id,#mermaid-svg-rzGo5PBLAQjMOTen .commit-msg,#mermaid-svg-rzGo5PBLAQjMOTen .branch-label{fill:lightgrey;color:lightgrey;font-family:‘trebuchet ms’, verdana, arial;font-family:var(–mermaid-font-family)}#mermaid-svg-rzGo5PBLAQjMOTen .pieTitleText{text-anchor:middle;font-size:25px;fill:#000;font-family:‘trebuchet ms’, verdana, arial;font-family:var(–mermaid-font-family)}#mermaid-svg-rzGo5PBLAQjMOTen .slice{font-family:‘trebuchet ms’, verdana, arial;font-family:var(–mermaid-font-family)}#mermaid-svg-rzGo5PBLAQjMOTen g.stateGroup text{fill:#9370db;stroke:none;font-size:10px;font-family:‘trebuchet ms’, verdana, arial;font-family:var(–mermaid-font-family)}#mermaid-svg-rzGo5PBLAQjMOTen g.stateGroup text{fill:#9370db;fill:#333;stroke:none;font-size:10px}#mermaid-svg-rzGo5PBLAQjMOTen g.statediagram-cluster .cluster-label text{fill:#333}#mermaid-svg-rzGo5PBLAQjMOTen g.stateGroup .state-title{font-weight:bolder;fill:#000}#mermaid-svg-rzGo5PBLAQjMOTen g.stateGroup rect{fill:#ECECFF;stroke:#9370db}#mermaid-svg-rzGo5PBLAQjMOTen g.stateGroup line{stroke:#9370db;stroke-width:1}#mermaid-svg-rzGo5PBLAQjMOTen .transition{stroke:#9370db;stroke-width:1;fill:none}#mermaid-svg-rzGo5PBLAQjMOTen .stateGroup .composit{fill:white;border-bottom:1px}#mermaid-svg-rzGo5PBLAQjMOTen .stateGroup .alt-composit{fill:#e0e0e0;border-bottom:1px}#mermaid-svg-rzGo5PBLAQjMOTen .state-note{stroke:#aa3;fill:#fff5ad}#mermaid-svg-rzGo5PBLAQjMOTen .state-note text{fill:black;stroke:none;font-size:10px}#mermaid-svg-rzGo5PBLAQjMOTen .stateLabel .box{stroke:none;stroke-width:0;fill:#ECECFF;opacity:0.7}#mermaid-svg-rzGo5PBLAQjMOTen .edgeLabel text{fill:#333}#mermaid-svg-rzGo5PBLAQjMOTen .stateLabel text{fill:#000;font-size:10px;font-weight:bold;font-family:‘trebuchet ms’, verdana, arial;font-family:var(–mermaid-font-family)}#mermaid-svg-rzGo5PBLAQjMOTen .node circle.state-start{fill:black;stroke:black}#mermaid-svg-rzGo5PBLAQjMOTen .node circle.state-end{fill:black;stroke:white;stroke-width:1.5}#mermaid-svg-rzGo5PBLAQjMOTen #statediagram-barbEnd{fill:#9370db}#mermaid-svg-rzGo5PBLAQjMOTen .statediagram-cluster rect{fill:#ECECFF;stroke:#9370db;stroke-width:1px}#mermaid-svg-rzGo5PBLAQjMOTen .statediagram-cluster rect.outer{rx:5px;ry:5px}#mermaid-svg-rzGo5PBLAQjMOTen .statediagram-state .divider{stroke:#9370db}#mermaid-svg-rzGo5PBLAQjMOTen .statediagram-state .title-state{rx:5px;ry:5px}#mermaid-svg-rzGo5PBLAQjMOTen .statediagram-cluster.statediagram-cluster .inner{fill:white}#mermaid-svg-rzGo5PBLAQjMOTen .statediagram-cluster.statediagram-cluster-alt .inner{fill:#e0e0e0}#mermaid-svg-rzGo5PBLAQjMOTen .statediagram-cluster .inner{rx:0;ry:0}#mermaid-svg-rzGo5PBLAQjMOTen .statediagram-state rect.basic{rx:5px;ry:5px}#mermaid-svg-rzGo5PBLAQjMOTen .statediagram-state rect.divider{stroke-dasharray:10,10;fill:#efefef}#mermaid-svg-rzGo5PBLAQjMOTen .note-edge{stroke-dasharray:5}#mermaid-svg-rzGo5PBLAQjMOTen .statediagram-note rect{fill:#fff5ad;stroke:#aa3;stroke-width:1px;rx:0;ry:0}:root{–mermaid-font-family: ‘“trebuchet ms”, verdana, arial’;–mermaid-font-family: “Comic Sans MS”, “Comic Sans”, cursive}#mermaid-svg-rzGo5PBLAQjMOTen .error-icon{fill:#522}#mermaid-svg-rzGo5PBLAQjMOTen .error-text{fill:#522;stroke:#522}#mermaid-svg-rzGo5PBLAQjMOTen .edge-thickness-normal{stroke-width:2px}#mermaid-svg-rzGo5PBLAQjMOTen .edge-thickness-thick{stroke-width:3.5px}#mermaid-svg-rzGo5PBLAQjMOTen .edge-pattern-solid{stroke-dasharray:0}#mermaid-svg-rzGo5PBLAQjMOTen .edge-pattern-dashed{stroke-dasharray:3}#mermaid-svg-rzGo5PBLAQjMOTen .edge-pattern-dotted{stroke-dasharray:2}#mermaid-svg-rzGo5PBLAQjMOTen .marker{fill:#333}#mermaid-svg-rzGo5PBLAQjMOTen .marker.cross{stroke:#333}

:root { --mermaid-font-family: “trebuchet ms”, verdana, arial;}
#mermaid-svg-rzGo5PBLAQjMOTen {
color: rgba(0, 0, 0, 0.75);
font: ;
}

训练

推理

开始

创建SVM模型

加载SVM模型

配置参数

加载训练数据

模型训练

保存模型

输入数据进行预测

创建模型

C++：

static Ptr<SVM> cv::ml::SVM::create()

Python：

cv.ml.SVM_create() -> retval

设置模型类型

C++：

enum  Types {
  C_SVC =100,//C-支持向量分类。n级分类（n≥ 2) 允许使用异常值的惩罚乘数 C 不完全地分离类。
  NU_SVC =101,//ν-支持向量分类。n级分类，可能有不完美的分离。参数ν用于代替C，参数ν在0-1范围内，值越大，决策边界越平滑。
  ONE_CLASS =102,//分布估计，所有的训练数据都来自同一个类，SVM 构建了一个边界，将类与特征空间的其余部分分开。
  EPS_SVR =103,//ε-支持向量回归。来自训练集的特征向量和拟合超平面之间的距离必须小于p。对于异常值，使用惩罚乘数 C。
  NU_SVR =104 // ν-支持向量回归。 ν用于代替 p。
}
virtual void cv::ml::SVM::setType(int val)

Python：

cv.ml_SVM.setType(val) ->None

设置参数C

根据"2.基本原理"中对参数C的介绍，我们应该如何设置参数C？

C值较大时：误分类错误较少，但余量较小。这种情况下，侧重于寻找具有很少的误分类错误的超平面。
C值较小时：具有更大余量和更多分类错误。在这种情况下，更侧重于寻找具有大余量的超平面。

C++:

//设置参数C
virtual void cv::ml::SVM::setC(double val)

python:

cv.ml_SVM.setC(val) -> None

设置核函数

C++:

enum KernelTypes {
  CUSTOM =-1,//由SVM::getKernelType返回，默认是RBF
  LINEAR =0,//线性内核，速度最快
  POLY =1,//多项式核
  RBF =2,//径向基函数（RBF），大多数情况下是个不错的选择
  SIGMOID =3,//sigmoid核
  CHI2 =4,//Chi2核，类似于RBF核
  INTER =5//直方图交叉核，速度较快
}
virtual void cv::ml::SVM::setKernel(int kernelType)

python:

cv.ml_SVM.setKernel(kernelType) -> None

设置迭代算法的终止标准

C++:

virtual void cv::ml::SVM::setTermCriteria(const cv::TermCriteria &val)    

// cv::TermCriteria
cv::TermCriteria::TermCriteria (int type,int maxCount,double epsilon)

// Type 
enum  cv::TermCriteria::Type {
  COUNT =1,
  MAX_ITER =COUNT,//最大迭代次数
  EPS =2 //迭代算法停止时所需的精度或参数变化
}

python:

cv.ml_SVM.setTermCriteria(val) ->None

训练SVM模型

trainAuto方法通过选择最佳参数 C、gamma、p、nu、coef0、degree 来自动训练 SVM 模型。当测试集误差的交叉验证估计最小时，参数被认为是最佳的。此函数仅使用SVM::getDefaultGrid进行参数优化，因此仅提供基本的参数选项。

trainAuto函数适用于分类（SVM::C_SVC或SVM::NU_SVC）以及回归（SVM::EPS_SVR或SVM::NU_SVR）。如果是SVM::ONE_CLASS，则不进行优化，并执行带有 params 中指定参数的常用 SVM。

C++：

//输入由TrainData::create或TrainData::loadFromCSV构造的训练数据
virtual bool cv::ml::SVM::trainAuto(const Ptr<TrainData> & data,
int     kFold = 10,
ParamGrid     Cgrid = getDefaultGrid(C),
ParamGrid     gammaGrid = getDefaultGrid(GAMMA),
ParamGrid     pGrid = getDefaultGrid(P),
ParamGrid     nuGrid = getDefaultGrid(NU),
ParamGrid     coeffGrid = getDefaultGrid(COEF),
ParamGrid     degreeGrid = getDefaultGrid(DEGREE),
bool     balanced = false 
)    

//输入训练样本
bool cv::ml::SVM::trainAuto(InputArray samples,
    int     layout,
    InputArray     responses,
    int     kFold = 10,
    Ptr< ParamGrid >     Cgrid = SVM::getDefaultGridPtr(SVM::C),
    Ptr< ParamGrid >     gammaGrid = SVM::getDefaultGridPtr(SVM::GAMMA),
    Ptr< ParamGrid >     pGrid = SVM::getDefaultGridPtr(SVM::P),
    Ptr< ParamGrid >     nuGrid = SVM::getDefaultGridPtr(SVM::NU),
    Ptr< ParamGrid >     coeffGrid = SVM::getDefaultGridPtr(SVM::COEF),
    Ptr< ParamGrid >     degreeGrid = SVM::getDefaultGridPtr(SVM::DEGREE),
    bool     balanced = false 
)

Python：

cv.ml_SVM.trainAuto(samples, layout, responses[, kFold[, Cgrid[, gammaGrid[, pGrid[, nuGrid[, coeffGrid[, degreeGrid[, balanced]]]]]]]]) -> retval

参数：

samples：训练样本
layout：参考 ml::SampleTypes，如cv.ml.ROW_SAMPLE表示每个训练样本是行向量，cv.ml.COL_SAMPLE表示每个训练样本是列向量
responses：与训练样本有关的响应向量
kFold：k交叉验证，训练集会分成k个子集，从中选取一个用来测试，剩余k-1个用来训练
balanced：如果设为True且是2-class分类问题，方法会自动创建更平衡的交叉验证子集，即子集中的类之间比例接近整个训练数据集中的比例

预测结果

C++：

// 预测输入样本的响应结果
virtual float predict(
  InputArray  samples,                  // input samples, float matrix
  OutputArray results = cv::noArray(),  // optional output results matrix
  int         flags   = 0               // (model-dependent)
) const = 0;

python：

cv.ml_StatModel.predict(samples[, results[, flags]]) ->retval, results

误差计算

对于回归模型，误差计算为 RMS；对于分类器，误差计算为错误分类样本的百分比 (0%-100%)。
C++：

// 在训练集或测试集上计算误差
virtual float calcError(
  const Ptr<TrainData>& data, // training samples
  bool test, // true: compute over test set
      // false: compute over training set
  cv::OutputArray resp  // the optional output responses
) const;

python：

cv.ml_StatModel.calcError(data, test[, resp]) ->retval, resp

保存SVM模型

C++：

void cv::Algorithm::save(const String &filename)  const

Python：

cv.Algorithm.save(filename) ->None

从文件中加载SVM

C++：

static Ptr<SVM> cv::ml::SVM::load(const String &filepath)

Python：

cv.ml.SVM_load(filepath) ->retval

4. 示例代码

官方示例（python）

在这里插入图片描述
构造数据，用来模拟训练集中的两个类别：

from __future__ import print_function
import cv2 as cv
import numpy as np
import random as rng
import time
from matplotlib import pyplot as plt

NTRAINING_SAMPLES = 100 # 每个类别的训练样本数
FRAC_LINEAR_SEP = 0.9   # 线性可分的样本比例

# 准备用于数据可视化
WIDTH = 512
HEIGHT = 512
I = np.zeros((HEIGHT, WIDTH, 3), dtype=np.uint8)

# 设置训练样本
trainData = np.empty((2\*NTRAINING_SAMPLES, 2), dtype=np.float32)
labels = np.empty((2\*NTRAINING_SAMPLES, 1), dtype=np.int32)

rng.seed(100) # Random value generation class

# 线性可分的训练样本数量
nLinearSamples = int(FRAC_LINEAR_SEP \* NTRAINING_SAMPLES)

## [setup1]
# 生成class 1的随机点，随机点的x坐标在[0, 0.4)，y坐标在 [0, 1)
trainClass = trainData[0:nLinearSamples,:]
# The x coordinate of the points is in [0, 0.4)
c = trainClass[:,0:1]
c[:] = np.random.uniform(0.0, 0.4 \* WIDTH, c.shape)
# The y coordinate of the points is in [0, 1)
c = trainClass[:,1:2]
c[:] = np.random.uniform(0.0, HEIGHT, c.shape)

# 生成class 2的随机点，随机点的x坐标在[0.6, 1]，y坐标在 [0, 1)
trainClass = trainData[2\*NTRAINING_SAMPLES-nLinearSamples:2\*NTRAINING_SAMPLES,:]
# The x coordinate of the points is in [0.6, 1]
c = trainClass[:,0:1]
c[:] = np.random.uniform(0.6\*WIDTH, WIDTH, c.shape)
# The y coordinate of the points is in [0, 1)
c = trainClass[:,1:2]
c[:] = np.random.uniform(0.0, HEIGHT, c.shape)

# 设置线性不可分的训练样本 
# Generate random points for the classes 1 and 2
trainClass = trainData[nLinearSamples:2\*NTRAINING_SAMPLES-nLinearSamples,:]
# x坐标在 [0.4, 0.6)，y坐标在[0, 1)
c = trainClass[:,0:1]
c[:] = np.random.uniform(0.4\*WIDTH, 0.6\*WIDTH, c.shape)
c = trainClass[:,1:2]
c[:] = np.random.uniform(0.0, HEIGHT, c.shape)

# 设置两个类别的label
labels[0:NTRAINING_SAMPLES,:] = 1                   # Class 1
labels[NTRAINING_SAMPLES:2\*NTRAINING_SAMPLES,:] = 2 # Class 2

设置SVM参数，初始化模型：

print('Starting training process')
svm = cv.ml.SVM_create()
svm.setType(cv.ml.SVM_C_SVC)
svm.setC(0.1)
svm.setKernel(cv.ml.SVM_LINEAR)
svm.setTermCriteria((cv.TERM_CRITERIA_MAX_ITER, int(1e7), 1e-6))

训练SVM：

## 训练
svm.train(trainData, cv.ml.ROW_SAMPLE, labels)
print('Finished training process')

## 显示决策区域
green = (0,100,0)
blue = (100,0,0)
for i in range(I.shape[0]):
    for j in range(I.shape[1]):
        sampleMat = np.matrix([[j,i]], dtype=np.float32)
        response = svm.predict(sampleMat)[1]

        if response == 1:
            I[i,j] = green
        elif response == 2:
            I[i,j] = blue

对训练集中两个类别的样本进行可视化：

## 用两种颜色圆圈表示class 1和class 2的训练数据
thick = -1
# Class 1
for i in range(NTRAINING_SAMPLES):
    px = trainData[i,0]
    py = trainData[i,1]
    cv.circle(I, (px, py), 3, (0, 255, 0), thick)

# Class 2
for i in range(NTRAINING_SAMPLES, 2\*NTRAINING_SAMPLES):
    px = trainData[i,0]
    py = trainData[i,1]
    cv.circle(I, (px, py), 3, (255, 0, 0), thick)

# 显示支持向量（
## [show\_vectors]
thick = 2
sv = svm.getUncompressedSupportVectors()

for i in range(sv.shape[0]):
    cv.circle(I, (sv[i,0], sv[i,1]), 6, (128, 128, 128), thick)
## [show\_vectors]

#cv.imwrite('result.png', I) # save the Image
#cv.imshow('SVM for Non-Linear Training Data', I) # show it to the user
plt.imshow(I)



![在这里插入图片描述](https://img-blog.csdnimg.cn/20210511152217670.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poaWd1aWd1,size_16,color_FFFFFF,t_70)

**感谢每一个认真阅读我文章的人，看着粉丝一路的上涨和关注，礼尚往来总是要有的：**



①　2000多本Python电子书（主流和经典的书籍应该都有了）

②　Python标准库资料（最全中文版）

③　项目源码（四五十个有趣且经典的练手项目及源码）

④　Python基础入门、爬虫、web开发、大数据分析方面的视频（适合小白学习）

⑤ Python学习路线图（告别不入流的学习）




**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**[需要这份系统化学习资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618317507)**

**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**

m0_61331237

关注

3
点赞
踩
8

收藏

觉得还不错? 一键收藏
0
评论
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

🍅 硬核资料：关注即可领取PPT模板、简历模板、行业经典书籍PDF。🍅 技术互助：技术群大佬指点迷津，你的问题可能不是问题，求资源在群里喊一声。🍅 面试题库：由技术群里的小伙伴们共同投稿，热乎的大厂面试真题，持续更新中。🍅 知识体系：含编程语言、算法、大数据生态圈组件（Mysql、Hive、Spark、Flink）、数据仓库、Python、前端等等。网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。需要这份系统化学习资料的朋友，可以戳这里获取。
复制链接

扫一扫