【SVM理论到实践3】OpenCv中自带的两个例子：线性可分和线性不可分代码解读

最新推荐文章于 2024-04-28 20:24:51 发布
最新推荐文章于 2024-04-28 20:24:51 发布
阅读量1k 收藏 1
点赞数 1
分类专栏： ML_Note Image_Process_Note CV_计算机视觉 OpenCv专栏 OpenCv中的机器学习算法
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/maweifei/article/details/60152200
版权 
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/ml/ml.hpp>

using namespace cv;

int main()
{
	//【1】创建可视化的窗口
    int width  = 512;
	int height = 512;
    cv::Mat  image  = Mat::zeros(height, width, CV_8UC3);

    //【2】设置训练数据
    float   labels[4] = {1.0, -1.0, -1.0, -1.0};
    cv::Mat  labelsMat(4, 1, CV_32FC1, labels);                       //[0]构造了一个列向量的矩阵头

    float   trainingData[4][2] = { {501, 10}, {255, 10}, {501, 255}, {10, 501} };
    cv::Mat  trainingDataMat(4, 2, CV_32FC1, trainingData);           //[1]构造一个执行数组trainingData的矩阵头

    //【3】设置支持向量机的参数
    CvSVMParams params;
    params.svm_type    = CvSVM::C_SVC;                                //[2]SVM的类型
    params.kernel_type = CvSVM::LINEAR;                               //[3]核函数的类型::线性
    params.term_crit   = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6); //[4]终止准则函数，当迭代到最大值时，终止迭代

    //【4】训练SVM
    CvSVM SVM;                                                        //[5]实例化一个SVM类的实例
    SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);      //[6]参数为:输入数据，响应，xx,xx,SVM的参数
    
    cv::Vec3b green(0,255,0);                                         //[7]Vec3b这是一个3维的列向量，可以存储3个字符型数据
	cv::Vec3b blue (255,0,0);

    //【5】显示由SVM决定的区域
    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);                //[8]predict()函数是用来做预测的，输入参数为样本，返回值为1或者-1

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

    //【6】画出训练数据
    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);

    //【7】显示支持向量
    thickness = 2;
    lineType  = 8;
    int c     = SVM.get_support_vector_count();
	std::cout<<"支持向量的个数为 = "<<c<<std::endl;
    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);

}

/***************************************************************************************************** 
程序功能: 
        SVM线性不可分的情况示例程序解读
程序说明:
        1）本训练程序中，一共有两类样本，是一个基于SVM的二分类问题；其中每类样本集的数量为100个样本，其
		       中90个样本是线性可分的，10个是线性不可分的
		2）这200个样本的具体数据存储在trainData内；trainData是一个200行2列的矩阵，其中第一列存储的样本是
		       X值；第二列存储的样本是Y值；每一列的前90个元素是第一类线性可分的部分，后90个元素是第二类
			   线性可分的部分，中间的20个元素是线性不可分的部分。

开发环境: 
       VS2012 + OpenGl(GLUT3.7) + OpenCv2.4.9 + Halcon10.0 
时间地点: 
       陕西师范大学----2017.3.2
作    者: 
       九月 
*****************************************************************************************************/ 
#include <iostream>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/ml/ml.hpp>

#define NTRAINING_SAMPLES   100                            //[1]每个样本集的数量
#define FRAC_LINEAR_SEP     0.9f                           //[2]其中线性可分的部分

using namespace cv;
using namespace std;

int main()
{
    //【1】创建一个可视化的图像
    const int WIDTH  = 512;
	const int HEIGHT = 512;
    cv::Mat I = Mat::zeros(HEIGHT, WIDTH, CV_8UC3);        //[3]Matlab风格的矩阵的初始化

    
    Mat trainData(2*NTRAINING_SAMPLES, 2, CV_32FC1);       //[4]训练样本数据的存储矩阵
    Mat labels   (2*NTRAINING_SAMPLES, 1, CV_32FC1);       //[5]训练样本类别的存储矩阵
    
    RNG rng(100);                                          //[6]设定随机数的种子 

                                                           //[7]设定线性可分部分的训练数据量
    int nLinearSamples = (int) (FRAC_LINEAR_SEP * NTRAINING_SAMPLES);
	
	//【2】设定第一类中的数据
    Mat trainClass = trainData.rowRange(0, nLinearSamples);//[8]从整个数据取出[0,89]行的数据
    Mat c = trainClass.colRange(0, 1);                     //[9]取出第一列
	                                                       //[10]随机生成X的值：[0,0.4*WIDTH] 
    rng.fill(c, RNG::UNIFORM, Scalar(1), Scalar(0.4 * WIDTH));
    c = trainClass.colRange(1,2);                          //[11]取出第二列
    rng.fill(c, RNG::UNIFORM, Scalar(1), Scalar(HEIGHT));  //[12]随机生成Y的值 
    
	//【3】设定第二类中的数据                              //[13]从整个数据中取出[110,199]行  
    trainClass = trainData.rowRange(2*NTRAINING_SAMPLES-nLinearSamples, 2*NTRAINING_SAMPLES);
    c = trainClass.colRange(0 , 1);                        //[14]取出第一列  
	                                                       //[15]随机生成X的值[0.6*WIDTH,WIDTH]  
    rng.fill(c, RNG::UNIFORM, Scalar(0.6*WIDTH), Scalar(WIDTH));
                                                           //[16]取出第二列 
    c = trainClass.colRange(1,2);
    rng.fill(c, RNG::UNIFORM, Scalar(1), Scalar(HEIGHT));  //[17]随机生成Y的值

    //【4】线性不可分的数据
    trainClass = trainData.rowRange(  nLinearSamples, 2*NTRAINING_SAMPLES-nLinearSamples);
    c = trainClass.colRange(0,1);
    rng.fill(c, RNG::UNIFORM, Scalar(0.4*WIDTH), Scalar(0.6*WIDTH)); 
    c = trainClass.colRange(1,2);
    rng.fill(c, RNG::UNIFORM, Scalar(1), Scalar(HEIGHT));
    
    //【5】为所有数据设置标签:
	       //1)前100个为第一类数据
	       //2)后100个为第二类数据
    labels.rowRange(                0,   NTRAINING_SAMPLES).setTo(1);  // Class 1
    labels.rowRange(NTRAINING_SAMPLES, 2*NTRAINING_SAMPLES).setTo(2);  // Class 2

    //【6】设置支持向量机SVM的参数
    CvSVMParams params;
    params.svm_type    = SVM::C_SVC;
    params.C           = 0.1;
    params.kernel_type = SVM::LINEAR;
    params.term_crit   = TermCriteria(CV_TERMCRIT_ITER, (int)1e7, 1e-6);

    //【7】训练SVM
    std::cout << "Starting training process" << endl;
    CvSVM svm;
    svm.train(trainData, labels, Mat(), Mat(), params);
    std::cout << "Finished training process" << endl;
    
    //【8】显示判决区域
    cv::Vec3b green(0,100,0);
	cv::Vec3d blue (100,0,0);
    for (int i = 0; i < I.rows; ++i)
        for (int j = 0; j < I.cols; ++j)
        {
            Mat sampleMat   = (Mat_<float>(1,2) << i, j);
            float response = svm.predict(sampleMat);                              //[1]判决函数

            if      (response == 1)    I.at<Vec3b>(j, i)  = green;                //[2]第一类
            else if (response == 2)    I.at<Vec3b>(j, i)  = blue;                //[3]第二类
        }

    //【9】显示训练数据
    int   thick = -1;
    int   lineType = 8;
    float px;
	float py;
    // Class 1
    for (int i = 0; i < NTRAINING_SAMPLES; ++i)
    {
        px = trainData.at<float>(i,0);
        py = trainData.at<float>(i,1);
        circle(I, Point( (int) px,  (int) py ), 3, Scalar(0, 255, 0), thick, lineType);
    }
    // Class 2
    for (int i = NTRAINING_SAMPLES; i <2*NTRAINING_SAMPLES; ++i)
    {
        px = trainData.at<float>(i,0);
        py = trainData.at<float>(i,1);
        circle(I, Point( (int) px, (int) py ), 3, Scalar(255, 0, 0), thick, lineType);
    }
	//【10】显示支持向量点
    thick     = 2;
    lineType  = 8;
    int x     = svm.get_support_vector_count();

    for (int i = 0; i < x; ++i)
    {
        const float* v = svm.get_support_vector(i);
        circle( I,  Point( (int) v[0], (int) v[1]), 6, Scalar(128, 128, 128), thick, lineType);
    }

    imwrite("result.png", I);                      // save the Image
    imshow("SVM for Non-Linear Training Data", I); // show it to the user
    waitKey(0);
}

马卫飞
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
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(2)
m0_61331491的博客
04-21 498
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）。我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。n级分类，可能有不完美的分离。
svm python opencv 分类_OpenCV-Python理解SVM|五十五
weixin_29986051的博客
01-30 305
目标在这一章中我们将对SVM有一个直观的了解理论线性可分数据考虑下面的图像，它具有两种数据类型，红色和蓝色。在kNN中，对于测试数据，我们用来测量其与所有训练样本的距离，并以最小的距离作为样本。测量所有距离都需要花费大量时间，并且需要大量内存来存储所有训练样本。但是考虑到图像中给出的数据，我们是否需要那么多？考虑另一个想法。我们找到一条线$f(x)=ax_1 + bx_2+c$，它将两条数据都分为...
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
最新发布
m0_54853787的博客
04-28 1043
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之ml 模块. 机器学习：支持向量机(SVM)介绍 支持向量机对线性不可分数据的处理
GarfieldEr007的专栏
04-22 2701
支持向量机(SVM)介绍 目标 本文档尝试解答如下问题: 如何使用OpenCV函数 CvSVM::train 训练一个SVM分类器， 以及用 CvSVM::predict 测试训练结果。 什么是支持向量机(SVM)? 支持向量机 (SVM) 是一个类分类器，正式的定义是一个能够将不同类样本在样本空间分隔的超平面。 换句话说，给定一些标记(label)好
OpenCV中的「SVM分类器」：基本原理、函数解析和示例代码
热门推荐
人工智能算法与工程实践
09-30 1万+
在非均衡样本的分类训练中，用opencv中SVM默认的`train`函数，容易导致分类器偏向数量多的类别，这时可以采用`trainAuto`函数进行平衡。
【OpenCV2.4】SVM处理线性不可分的例子
zhazhiqiang2010的专栏
02-26 2626
【原文：http://www.cnblogs.com/justany/archive/2012/11/26/2788509.html】 目的 实际事物模型中，并非所有东西都是线性可分的。 需要寻找一种方法对线性不可分数据进行划分。 原理 上一篇文章，我们推导出对于线性可分数据，最佳划分超平面应满足： 　　　　 现在我们想引入一些东西，来表示那些被错分的
opencv3.1线性可分svm例子及函数分析
weixin_30915951的博客
07-18 90
https://www.cnblogs.com/qinguoyi/p/7272218.html //摘自：http://docs.opencv.org/2.4/doc/tutorials/ml/introduction_to_svm/introduction_to_svm.html#include <opencv2/core/core.hpp> #include <ope...
OpenCV 2.4+ C++ SVM线性不可分处理
yansmile1的专栏
11-27 477
目的 实际事物模型中，并非所有东西都是线性可分的。 需要寻找一种方法对线性不可分数据进行划分。   原理 上一篇文章，我们推导出对于线性可分数据，最佳划分超平面应满足： 　　　　 现在我们想引入一些东西，来表示那些被错分的数据点（比如噪点），对划分的影响。 如何来表示这些影响呢？ 被错分的点，离自己应当存在的区域越远，就代表了，这个点“错”得越
opencv3.0机器学习之SVM使用（二类线性不可分）
darlingboo的博客
03-15 408
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： *******************************/ #include &lt;iostream&gt; #include &lt;opencv...
introduction_to_svm.zip_SVM_opencv svm_opencv 分类_svm分类vs
09-23
- SVM能够处理高维数据，尤其是当数据不是线性可分时，通过核函数它可以转化为低维的非线性问题。 - SVM对于小样本数据集表现良好，因为它主要依赖于支持向量。 然而，SVM也有一些局限性，比如计算复杂度高，特别是...
OpenCV实现支持向量机之处理线性不可分数据（C++实现）.zip
04-12
对于这样的数据，SVM引入了核函数的概念，它可以把原始数据映射到高维空间，使原本线性不可分的数据变得线性可分。 2. **SVM中的核函数**：核函数是SVM的关键，它可以将低维空间中的非线性关系转化为高维空间中的...
svm.zip_SVM算法opencv_opencv_opencv SVM_opencv svm代码_svm opencv
09-24
SVM（Support Vector Machine，支持向量...总之，`svm.zip`中的代码示例提供了一个学习和实践OpenCV中SVM算法的起点。通过理解和运行这段代码，你可以深入理解SVM的工作机制，以及如何在实际项目中利用OpenCV实现SVM。
SVM.rar_SVM 分类_SVM分类_opencv 分类器_配置库分类
09-24
2. **核函数**：SVM通过核函数将原始数据映射到高维空间，使得原本线性不可分的数据在高维空间中变得线性可分。常见的核函数有线性核、多项式核、高斯核（RBF）等。 3. **支持向量**：距离决策边界最近的那些训练...
SVM.rar_SVM分类_svm opencv_vc6.0 svm_vc6.0 svm predict
09-24
接着，选择合适的核函数，常见的有线性核、多项式核、高斯核（RBF）等，以非线性地映射数据到高维空间，使得原本难以分隔的样本在新空间中变得可分。在这个例子中，可能会使用高斯核，因为它在处理非线性问题时表现...
c++读写操作CSV文件
maweifei的博客
04-25 1万+
/*************************************************************************************************** 文件作用: CSV数据文件的处理 开发环境: Win10+STL 时间地点: 文津楼 2017.4.24 作 者: 九月 **
OpenCv中copyMakeBorder函数详解
maweifei的博客
05-26 1万+
/****************************************************************************************************************** 文件说明: copyMakeBorder函数详解 时间地点: 陕西师范大学 文津楼 2017.5.25 作 者:
【图像特征提取6】ORB特征点的描述----BRIEF描述子
maweifei的博客
03-17 8864
(一)BRIEF描述子           在ORB特征提取的第一步根据FAST角点检测算法检测出特征点(角点、兴趣点、关键点)之后，我们需要以某种方式来描述这些特征点的属性。对于这些特征点的描述算法，我们称之为特征点的描述子(Feature DescritorS).ORB特征提取算法采用BRIEF描述子来描述这些特征点的属性。         BRIEF算法的核心思想是在关键点P的周围以一定
【SVM理论到实践4】基于OpenCv中的SVM的手写体数字识别
maweifei的博客
03-03 5801
//由于本人每天时间非常紧张，所以博客仅供各位参考，里面的代码都是运行过的，直接可以运行 本章的学习目标:      1)手写体数字识别数据库MNIST      2)基于SVM训练的具体步骤   1)手写体数字识别数据库MNIST MNIST(Mixed National Institute of Standards and Technology)是一个大型的手写体数字识别数据库，广泛
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