Python图像处理（15）：SVM分类器

Python图像处理（15）：SVM分类器

2015年07月06日 21:38:59

阅读数：8857

快乐虾

http://blog.csdn.net/lights_joy/

欢迎转载，但请保留作者信息

在opencv中支持SVM分类器，本文尝试在python中调用它。

和前面的贝叶斯分类器一样，SVM也遵循先训练再使用的方式，我们直接在贝叶斯分类器的测试代码上做简单修改，完成两类数据点的分类。

首先也是先创建训练用的数据，需要注意的是这里的train_label必须是整数类型，而不是float：

[python] view plain copy

1. # 训练的点数  
2. train_pts = 30  
3.   
4. # 创建测试的数据点，2类  
5. # 以(-1.5, -1.5)为中心  
6. rand1 = np.ones((train_pts,2)) * (-2) + np.random.rand(train_pts, 2)  
7. print('rand1：')  
8. print(rand1)  
9.   
10. # 以(1.5, 1.5)为中心  
11. rand2 = np.ones((train_pts,2)) + np.random.rand(train_pts, 2)  
12. print('rand2:')  
13. print(rand2)  
14.   
15. # 合并随机点，得到训练数据  
16. train_data = np.vstack((rand1, rand2))  
17. train_data = np.array(train_data, dtype='float32')  
18. train_label = np.vstack( (np.zeros((train_pts,1), dtype='int32'), np.ones((train_pts,1), dtype='int32')))  
19.   
20. # 显示训练数据  
21. plt.figure(1)  
22. plt.plot(rand1[:,0], rand1[:,1], 'o')  
23. plt.plot(rand2[:,0], rand2[:,1], 'o')  
24. plt.plot(rand2[:,0], rand2[:,1], 'o')  

类似这样的数据：

在得到训练数据后，接着创建一个SVM分类器并配置训练参数：

[python] view plain copy

1. # 创建分类器  
2. svm = cv2.ml.SVM_create()  
3. svm.setType(cv2.ml.SVM_C_SVC)  # SVM类型  
4. svm.setKernel(cv2.ml.SVM_LINEAR) # 使用线性核  
5. svm.setC(1.0)  

接着我们对此分类器进行训练：

[python] view plain copy

1. # 训练  
2. ret = svm.train(train_data, cv2.ml.ROW_SAMPLE, train_label)  

在训练完成后就可以使用测试数据进行预测了：

[python] view plain copy

1. # 测试数据，20个点[-2,2]  
2. pt = np.array(np.random.rand(20,2) * 4 - 2, dtype='float32')  
3. (ret, res) = svm.predict(pt)  
4. print("res = ")  
5. print(res)  

predict通过res返回得到一个20x1的数组，每一行对应一个输入点，计算得到的值就是分类的序号，在这里是0和1，我们取0.5为阈值进行分类并显示结果：

[python] view plain copy

1. # 按label进行分类显示  
2. plt.figure(2)  
3. res = np.hstack((res, res))  
4.   
5. # 第一类  
6. type_data = pt[res < 0.5]  
7. type_data = np.reshape(type_data, (type_data.shape[0] / 2, 2))  
8. plt.plot(type_data[:,0], type_data[:,1], 'o')  
9.   
10. # 第二类  
11. type_data = pt[res >= 0.5]  
12. type_data = np.reshape(type_data, (type_data.shape[0] / 2, 2))  
13. plt.plot(type_data[:,0], type_data[:,1], 'o')  
14.   
15. plt.show()  

看看最后的结果：

最后，通过svm. getSupportVectors获取支持向量。

[python] view plain copy

1. # 支持向量  
2. vec = svm.getSupportVectors()  
3. print(vec)