【OpenCV学习记录】HOG+SVM叶片病斑识别

本文链接：https://blog.csdn.net/u014284965/article/details/100834594

1.从哪哪都不知道到会用
（1）找了官方的实例代码，因为本人代码阅读能力有限，因此将代码部分下载下来，边查边记就看懂了，再敲一遍（opencv2.x和opencv3.x有些用法不太一样要自己改一改）

	链接
1	支持向量机线性可分数据的处理
2	支持向量机对线性不可分数据的处理
(2)找了一些应用的例子，打印，看懂，仿照着敲代码，就成啦
	链接
–	–
1	以整个图像为特征的手写数字SVM识别
2	小狮子识别
3	车标识别
4	视频识别
2.准备数据
（1）准备了50幅病斑的图片然后通过旋转翻转等操作扩充到480幅（可以大小不一样，因为代码部分会重置图片大小）

（2）准备了120幅正常叶子的图片，扩充到480幅（可以大小不一样，因为代码部分会重置图片大小）

（3）生成样本描述文件，方便读取

将病斑图像与正常叶子图像信息写在同一TXT文件中，一行路径，一行标签

怎么生成这个文件呐，用法术呀

3.训练SVM
咋训练*~*
当然是敲代码喽

（1）用了如此多的头文件和命名空间咱也不知道哪个没用，反正都用上没出错

#include"stdafx.h"//这个是VS一定要让我用的
#include"SVM_CucumberRotShiBie.h"//这个是我这个.cpp的.h
#include<iostream>//输入输出
#include<fstream>//文件流
//下面这几个你们试试哪个用不上告诉我呀
#include<opencv2/opencv.hpp>
#include<opencv2/core/core.hpp>
#include<opencv2/imgproc/imgproc.hpp>
#include<opencv2/highgui/highgui.hpp>
#include<opencv2/ml/ml.hpp>
//这个都用得上
using namespace std;
using namespace cv;
using namespace ml;

（2）然后定义了一些路径和关键数值

int DescriptorDim=900;//Hog训练结果维数，通过descriptors.size()得到
string address = "img_SVM/train/decribeTxt.txt";//描述文件路径
string address_result = "img_SVM/train/SVM_HOG.xml";//训练结果存储路径
string address_classification = "img_SVM/test/124.jpg";//测试图像路径

（3）这是我没什么用，但是又不能少的主函数

int cucumberRotShiBie() {
	//1.准备数据
	//2.生成描述文件
	//3.训练SVM
	trainingSVM();
	//4.测试
	SvmHogClassification();
	//完
	return 0;
}

（4）训练

int trainingSVM() {

	cout << "------------------准备数据---------------------" << endl;
	cout << "-----------------------------------------------" << endl;
	//读取描述文件内容
	vector<string> imgPath;//图像路径容器
	vector<int> imgCatg;//图像类别容器
	int nLine = 0;
	string buf;
	ifstream svm_data(address);
	if (!svm_data) { 
		int a = 0; cin >> a;
		return -1; 
	}
	unsigned long n;
	while (svm_data) {
		if (getline(svm_data,buf)) {
			nLine++;
			if (nLine % 2 == 0) {
				imgCatg.push_back(atoi(buf.c_str()));//图像类型
			}
			else {
				imgPath.push_back(buf);//图像路径
			}
		}
	}
	svm_data.close();

	///
	//设置HOG检测器参数
	HOGDescriptor hog(Size(48, 48), Size(16, 16), Size(8, 8), Size(8, 8), 9);
	//训练数据、标志设置
	Mat data_mat, res_mat;
	int imgNum = nLine / 2;//图像数量，训练数据x维数
	Size data_mat_size(DescriptorDim, imgNum);//训练数据size    ！！！size(列，行)！！！
	Size res_mat_size(1, imgNum);//标志size
	data_mat=Mat::zeros(data_mat_size, CV_32FC1);
	res_mat = Mat::zeros(res_mat_size, CV_32SC1);
	//统一图像尺寸的参数
	string s;//图像路径
	Size ssize(48, 48);
	Mat src;
	Mat dst(ssize, CV_8UC3);

	///
	cout << "-----------------处理HOG特征-------------------" << endl;
	cout << "-----------------------------------------------" << endl;
	for (int i = 0; i <imgNum; i++) {
		//获取图像
		s = imgPath[i].c_str();
		src = imread(s);
		if (src.empty()) {
			cout << "no image:" << s << endl;
			return -1;
		}
		cout << "处理：" << s << endl;
		//统一图像尺寸
		resize(src, dst,ssize);
		//存放HOG特征计算结果
		vector<float>descriptors;
		//计算HOG特征
		hog.compute(dst, descriptors, Size(1, 1),Size(0,0));
		//cout <<"size:"<< descriptors.size() << endl;//Hog特征维数
		//
		for (int j = 0;j<descriptors.size();j++) {
			data_mat.at<float>(i, j) = descriptors[j];
		}
		res_mat.at<float>(i, 0) = imgCatg[i];
	}
	/
	cout << "-------------------训练SVM---------------------" << endl;
	cout << "-----------------------------------------------" << endl;
	//设置参数
	Ptr<SVM> svm = SVM::create();
	svm->setType(SVM::Types::C_SVC);
	svm->setKernel(SVM::KernelTypes::LINEAR);
	svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, 100, 1e-6));
	Ptr<TrainData>td = TrainData::create(data_mat, SampleTypes::ROW_SAMPLE, res_mat);
	svm->train(td);
	svm->save(address_result);
	cout << "完！" << endl;
	return 0;
}

（5）检测，输出的结果就是当前检测图像的标签

int SvmHogClassification() {

	//获取检测图像
	Mat src = imread(address_classification);
	if (src.empty()) {
		cout << "no image!" << endl;
		return -1;
	}
	//计算检测图像的HOG特征
	HOGDescriptor hog(Size(48, 48), Size(16, 16), Size(8, 8), Size(8, 8), 9);
	//统一图像尺寸的参数
	Size ssize(48, 48);
	Mat dst(ssize, CV_8UC3);
	//统一图像尺寸
	resize(src, dst, ssize);
	//存放HOG特征计算结果
	vector<float>descriptors;
	//计算HOG特征
	hog.compute(dst, descriptors, Size(1, 1), Size(0, 0));
	//转换计算结果格式
	Mat endImg = Mat::zeros(1, descriptors.size(), CV_32FC1);
	for (int i = 0; i < descriptors.size(); i++) {
		endImg.at<float>(0, i) = descriptors[i];
	}
	//SVM分类
	Ptr<SVM> svm = SVM::load(address_result);
	if (svm->empty()) {
		cout << "no load!" << endl;
		return -1;
	}
	float res = svm->predict(endImg);
	cout << res << endl;
	return 0;
}

4.总结
（1）敲线性不可分的官方代码时输出结果应该是那几个点被圈圈圈起来，但是那个圈却出现在原点附近
在这里插入图片描述
然后我就查啊查发现这不是BUG是什么我忘了
要改核函数这里

	Ptr<SVM> params=SVM::create();
	params->setType(SVM::C_SVC);
	params->setC(0.1);
	params->setKernel(SVM::POLY);//！！！！
	params->setDegree(1.0);//！！！！！
	params->setTermCriteria(TermCriteria(CV_TERMCRIT_ITER, (int)1e7, 1e-6));

就好啦！
在这里插入图片描述
（2）我没有调参数，我没有调参数，我没有调参数
HOG的参数，，SVM的参数，，都没改
咱也不知道哪个数好，大家都说好，我就用了，待我那日调了参数，我再更新它
（3）训练的数据要有两及个以上的类型，不然它会应为你太过分就不干活啦，哈哈哈。
（4）不学习可不行，没有源码，看完开头链接的代码也就不需要源码了
（5）叶子图片的话马路边的绿化带里有很多，200张照片用不了一个小时