OpenCV svm java,使用opencv实现支持向量机（SVM）

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：

机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。

机器学习的大致分类：

1)分类(模式识别)：要求系统依据已知的分类知识对输入的未知模式(该模式的描述)作分析，以确定输入模式的类属，例如手写识别(识别是不是这个数)。

2)问题求解：要求对于给定的目标状态,寻找一个将当前状态转换为目标状态的动作序列。

SVM一般是用来分类的

一般首先从二维的分类做起，扩展到三维，以及超维度的分类划分，下面是一个二维空间，将空间中的两个点分类：

SVM的学习在于经过训练后可以找到最合适的线或平面将空间进行分割，实现点的分类。

在低维度的空间中难以分割的图像，如：

线性不可分

解决方法可以采用将其扩展到高维度的空间中，实现分割：

三维空间

不考虑具体的函数实现原理，只分析以怎样的心态和角度来应用支持向量机，解决一些现实中需要解决的问题，现在假设已知一定数量的点坐标和其两种不同的分类状况，需要将其在二维空间中进行分割，在图像中绘制分割状况，问题就会变得易懂。下面开始分析SVM的代码实现过程：

首先，如果我们想要在一个空间里分类两类不同的点，首先需要知道每个点的具体坐标，在接收到的图片信息中，我们需要知道每个点的坐标值，还需要每一个点的分类。

可以即将上述的两类数值要求存入两个数组内，假设共有n个点，那么首先设置Datetrain[n][2]，这时可以在下标为0的列中存储每个点的横坐标，在下标为1的列中存储每个点的纵坐标。每个点对应一个分组，可以把每个分组标记为1，-1，每个点的分组信息存储为一个数组中：label[n]。

存储好点的信息，下面就需要进行训练了，训练需要实例化向量机，因此创建CvSVM类型的对象SVM，CVSVM的训练方法为：

CvSVM::train(const CvMat* trainData，

const CvMat* responses，

const CvMat* varIdx=0，

const CvMat* sampleIdx=0，

CvSVMParams params=CvSVMParams()

)

其中，参数信息：

1、trainData: 练习数据，必须是CV_32FC1 (32位浮点类型，单通道)。数据必须是CV_ROW_SAMPLE的，即特点向量以行来存储。

2、responses: 响应数据，凡是是1D向量存储在CV_32SC1 (仅仅用在分类题目上)或者CV_32FC1格局。

3、varIdx: 指定感爱好的特点。可所以整数(32sC1)向量，例如以0为开端的索引，或者8位(8uC1)的应用的特点或者样本的掩码。用户也可以传入NULL指针，用来默示练习中应用所有变量／样本。

4、sampleIdx: 指定感爱好的样本。描述同上。

5、params: SVM参数。

可以看出，练习数据trainData就是已经存储的数组Datetrain，而相应数据responses就相对于数组label，为了达到SVM训练相对应的数据类型，可以进行转化：

Mat trainingDataMat(n, 2, CV_32FC1, Datatrain);

Mat labelsMat(n,1, CV_32FC1, label);

接下来需要重点介绍的是SVM参数params：

在opencv2中，有专门的CvSVMParams方法来对训练支持向量机SVM进行参数的设置，CvSVMParams的构造方法如下，都是对于SVM训练的参数设定：

struct CvSVMParams

{

CvSVMParams();

CvSVMParams( int _svm_type, int _kernel_type,

double _degree, double _gamma,double _coef0,

double _C, double _nu, double_p,

CvMat* _class_weights, CvTermCriteria_term_crit );

int svm_type;

int kernel_type;

double degree; // for poly

double gamma; // for poly/rbf/sigmoid

double coef0; // for poly/sigmoid

double C; // for CV_SVM_C_SVC, CV_SVM_EPS_SVR andCV_SVM_NU_SVR

double nu; // forCV_SVM_NU_SVC, CV_SVM_ONE_CLASS, and CV_SVM_NU_SVR

double p; // forCV_SVM_EPS_SVR

CvMat* class_weights; // forCV_SVM_C_SVC

CvTermCriteria term_crit; // termination criteria

};```

第一个参数：svm_type，SVM的类型

作用主要在于使用SVM处理每一个数据点时的分类问题，包括处理意外的点，如果需要拟合高维度的图像时的拟合距离等。

CvSVM::C_SVC：表示在不能精确地使用线性曲线来分割时，可以忽略某些点，但是需要保持尽量最好地线性分类

CvSVM::NU_SVC：n类似然不完全分类的分类器。参数nu取代了c，其值在区间【0，1】中，nu越大，决策边界越平滑。

CvSVM::ONE_CLASS ： 单分类器，把当前需要分类的所有数据归为一个类，线性分界线用于区分当前类和另外一个类

CvSVM::EPS_SVR ：回归。 训练集中的特征向量和拟合出来的超平面的距离需要小于p。异常值惩罚因子C被采用。

CvSVM::NU_SVR ：回归；nu 代替了p

第二个参数：kernel_type，核类型：

核函数的基本作用就是接受两个低维空间里的向量，能够计算出经过某个变换后在高维空间里的向量内积值。因此，核类型的作用在于选择哪种方法进行多维度的参数拟合。

CvSVM::LINEAR ：线性核函数，当前维度内进行分界，最快的选择

CvSVM::POLY ：多项式核: d(x,y)= (gamma•(x•y)+coef0)degree

CvSVM::RBF ：径向基，对于大多数情况都是一个较好的选择：d(x,y)= exp(-gamma•|x-y|2)

CvSVM::SIGMOID： sigmoid函数被用作核函数:d(x,y) = tanh(gamma·(x•y)+coef0)

下面是不同的核函数，其中K(w,x),他接受低维空间的输入值，却能算出高维空间的内积值，可以选择性阅读了解：

(1)线性核函数

(2)多项式核函数

(3)径向基(RBF)核函数(高斯核函数)

(4)Sigmoid核函数(二层神经收集核函数)

C, nu, p：在一般的SVM优化求解时的参数。

class_weights:可选权重，赋给指定的类别。一般乘以C以后去影响不同类别的错误分类惩罚项。权重越大，某一类别的误分类数据的惩罚项就越大。

最后一个：term_crit:SVM的迭代训练过程的中止。(解决了部分受约束二次最优问题)，迭代中止的方法有两种：

1、迭代到了一定的次数而中止

2、迭代到了指定的阙值后中止

这部分在学习特征检测时就有涉及，今天再次回顾：

TermCriteria(

int type,

int maxcount,

double epsilon

)

其中type取TermCriteria::MAX_ITER/TerCriteria::COUNT时表示迭代到最大次数中止，这时参数maxcount起作用；

type取TermCriteria::EPS时表示迭代到制定阙值后中止，这时参数epsilon起作用；

type取TermCriteria::EPS+TermCriteria::MAX_ITER时表示出现以上任意一种情况后都中止，这时两个参数都起作用。

到这里，已经可以对参数进行训练了，训练后得到的分界线可以由SVM.predict(Mat sampleMat)预测函数来判断，判断的结果则为label中的设定1，-1来进行标记，依次对每一个坐标进行预测都能得到该坐标的分类状况，坐标应化为Mat型的SampleMat来进行预判。

下面上代码：

include

include

include

using namespace cv;

int main()

{

// 视觉表达数据的设置(Data for visual representation)

int width = 512, height = 512;

//图片的宽，高，以及通道数(第三通道)，初始化零矩阵，表示矩阵是0，黑色底面

Mat image = Mat::zeros(height, width, CV_8UC3);

//建立训练数据( Set up training data)

/*训练的是四个点，点的值分别为+1与-1，用以区分两种不同的点*/

float labels[4] = {1.0, -1.0, -1.0, -1.0};

//使用已有的初始化矩阵来初始化图像

Mat labelsMat(3,1, CV_32FC1, labels);

//已知的点的矩阵

float trainingData[4][2] = { {501, 10}, {255, 10}, {501, 255}, {10, 501} };

//使用已有的初始化矩阵来初始化图像

Mat trainingDataMat(3, 2, CV_32FC1, trainingData);

//imshow("【train】",trainingDataMat);

//设置支持向量机的参数(Set up SVM's parameters)

CvSVMParams params;

/*SVM的类型:C_SVC：允许用异常惩罚因子C进行不完全分类 */

params.svm_type = CvSVM::C_SVC;

/*核类型 LINEAR：没有任何向映像至高维空间，线性区分在原始特征空间中被完成 */

params.kernel_type = CvSVM::LINEAR;

/*迭代到指定阙值后终止*/

params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6);

// 训练支持向量机(Train the SVM)

CvSVM SVM;//初始化值

SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);//开始训练

//两种颜色

Vec3b green(0,255,0), blue (255,0,0);

//显示由SVM给出的决定区域 (Show the decision regions given by the SVM)

for (int i = 0; i < image.rows; ++i)

for (int j = 0; j < image.cols; ++j)

{

//创建了一个一行两列的矩阵图像，并且将这两个图像的像素分别设置为当前像素点的行数和列数

//或者使用cvmSet(CvMat* mat, int row, int col, double value

Mat sampleMat = (Mat_(1,2) << i,j);

//当前样本被分到哪一个类，预测函数

float response = SVM.predict(sampleMat);

if (response == 1)

image.at(j, i) = green;

else if (response == -1)

image.at(j, i) = blue;

}

//显示训练数据 (Show the training data)

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);

//显示支持向量 (Show support vectors)

thickness = 2;

lineType = 8;

//获得支持向量的个数

int c = SVM.get_support_vector_count();

std::cout << c << std::endl;

for (int i = 0; i < c; ++i)

{

//获得对应的索引编号的支持向量

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); // 保存图像

imshow("SVM Simple Example", image); // 显示图像

waitKey(0);

}