opencv SVM

已于 2022-02-28 12:25:52 修改
阅读量3.1k 收藏 4
点赞数
文章标签： opencv 支持向量机 学习
于 2022-02-25 20:54:19 首次发布
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/weixin_54721788/article/details/123136906
版权

目录

What is a SVM?

官方文档的源代码

函数补充

colRange 和 rowRange

 RNG 随机数，rng.fill

 简化

多分类问题

​

What is a SVM?

A Support Vector Machine (SVM) is a discriminative classifier formally defined by a separating hyperplane（超平面）. In other words, given labeled training data (supervised learning), the algorithm outputs an optimal hyperplane which categorizes new examples. 

官方文档的源代码

#include <iostream>
#include <opencv2/core.hpp>
#include <opencv2/imgproc.hpp>
#include "opencv2/imgcodecs.hpp"
#include <opencv2/highgui.hpp>
#include <opencv2/ml.hpp>

using namespace cv;
using namespace cv::ml;
using namespace std;

static void help()
{
    cout << "\n--------------------------------------------------------------------------" << endl
        << "This program shows Support Vector Machines for Non-Linearly Separable Data. " << endl
        << "--------------------------------------------------------------------------" << endl
        << endl;
}

int main()
{
    help();

    const int NTRAINING_SAMPLES = 10;
    // Number of training samples per class 每类分类样本的数目
    const float FRAC_LINEAR_SEP = 0.9f;
    // Fraction of samples which compose the linear separable part 组成线性可分部分的样本的数量

    // Data for visual representation
    const int WIDTH = 512, HEIGHT = 512;// 最后画的图的尺寸
    Mat I = Mat::zeros(HEIGHT, WIDTH, CV_8UC3);// 三通道黑色背景图像

    //--------------------- 1. Set up（设置） training data randomly ---------------------------------------
    Mat trainData(2 * NTRAINING_SAMPLES, 2, CV_32F);//保存坐标信息，20行*2列

    Mat labels(2 * NTRAINING_SAMPLES, 1, CV_32S);//保存标签信息，20行*1列

    RNG rng(10); // Random value generation class //构造方法设定一个具体值，表示下面代码每次生成的结果都是一样的

    // Set up the linearly separable part of the training data
    int nLinearSamples = (int)(FRAC_LINEAR_SEP * NTRAINING_SAMPLES);// 10*0.9=9

    //! [setup1]
    // Generate random points for the class 1 为第一类创建随机点
    Mat trainClass = trainData.rowRange(0, nLinearSamples);//9行2列
    // The x coordinate of the points is in [0, 0.4)//x 的变化范围为横轴的0.4,
    Mat c = trainClass.colRange(0, 1);
    rng.fill(c, RNG::UNIFORM, Scalar(0), Scalar(0.4 * WIDTH));//给序列填充随机数字 RNG rng(10) 数字越大，可填入随机数的选择越多
    // The y coordinate of the points is in [0, 1)
    c = trainClass.colRange(1, 2);
    rng.fill(c, RNG::UNIFORM, Scalar(0), Scalar(HEIGHT));


    // Generate random points for the class 2 为第二类创建随机点
    trainClass = trainData.rowRange(2 * NTRAINING_SAMPLES - nLinearSamples, 2 * NTRAINING_SAMPLES);
    // The x coordinate of the points is in [0.6, 1]
    c = trainClass.colRange(0, 1);
    rng.fill(c, RNG::UNIFORM, Scalar(0.6 * WIDTH), Scalar(WIDTH));
    // The y coordinate of the points is in [0, 1)
    c = trainClass.colRange(1, 2);
    rng.fill(c, RNG::UNIFORM, Scalar(0), Scalar(HEIGHT));


    //! [setup1]

    //------------------ Set up the non-linearly separable part (非线性部分) of the training data ---------------
    //! [setup2]
    // Generate random points for the classes 1 and 2
    trainClass = trainData.rowRange(nLinearSamples, 2 * NTRAINING_SAMPLES - nLinearSamples);
    // The x coordinate of the points is in [0.4, 0.6)
    c = trainClass.colRange(0, 1);
    rng.fill(c, RNG::UNIFORM, Scalar(0.4 * WIDTH), Scalar(0.6 * WIDTH));
    // The y coordinate of the points is in [0, 1)
    c = trainClass.colRange(1, 2);
    rng.fill(c, RNG::UNIFORM, Scalar(0), Scalar(HEIGHT));
    //! [setup2]

    //------------------------- Set up the labels for the classes ---------------------------------
    labels.rowRange(0, NTRAINING_SAMPLES).setTo(1);  // Class 1
    labels.rowRange(NTRAINING_SAMPLES, 2 * NTRAINING_SAMPLES).setTo(2);  // Class 2

    //------------------------ 2. Set up the support vector machines parameters --------------------
    cout << "Starting training process" << endl;
    //! [init]
    Ptr<SVM> svm = SVM::create();
    svm->setType(SVM::C_SVC);
    svm->setC(0.1);
    svm->setKernel(SVM::LINEAR);
    svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, (int)1e7, 1e-6));
    //! [init]

    //------------------------ 3. Train the svm ----------------------------------------------------
    //! [train]
    svm->train(trainData, ROW_SAMPLE, labels);
    //! [train]
    cout << "Finished training process" << endl;

    //------------------------ 4. Show the decision regions ----------------------------------------
    //! [show]
    Vec3b green(0, 100, 0), 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) << j, i);
            float response = svm->predict(sampleMat);

            if (response == 1) I.at<Vec3b>(i, j) = green;
            else if (response == 2) I.at<Vec3b>(i, j) = blue;
        }
    }
    //! [show]

    //----------------------- 5. Show the training data --------------------------------------------
    //! [show_data]
    int thick = -1;
    float px, 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);
    }
    // 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);
    }
    //! [show_data]

    //------------------------- 6. Show support vectors --------------------------------------------
    //! [show_vectors]
    thick = 2;
    Mat sv = svm->getUncompressedSupportVectors();

    for (int i = 0; i < sv.rows; i++)
    {
        const float* v = sv.ptr<float>(i);
        circle(I, Point((int)v[0], (int)v[1]), 6, Scalar(128, 128, 128), thick);
    }
    //! [show_vectors]

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

函数补充

colRange 和 rowRange

#include <iostream>
#include <opencv2/core.hpp>
#include <opencv2/imgproc.hpp>
#include "opencv2/imgcodecs.hpp"
#include <opencv2/highgui.hpp>
#include <opencv2/ml.hpp>

using namespace cv;
using namespace cv::ml;
using namespace std;

int main(int argc, char** argv)
{
	Mat Test = (Mat_<double>(3, 3) << 0, 1, 2, 3, 4, 5, 6, 7, 8);
	cout << "Total matrix:" << endl;
	cout << Test << endl << endl;

	Mat Test_col = Test.colRange(0,2);// 保存前2列的元素
	cout << "col range:" << endl;
	cout << Test_col << endl << endl;

	Mat Test_row = Test.rowRange(0, 2);// 保存前2行的元素
	cout << "row range:" << endl;
	cout << Test_row << endl << endl;

}

 RNG 随机数，rng.fill

#include <iostream>
#include <opencv2/core.hpp>
#include <opencv2/imgproc.hpp>
#include "opencv2/imgcodecs.hpp"
#include <opencv2/highgui.hpp>
#include <opencv2/ml.hpp>

using namespace cv;
using namespace cv::ml;
using namespace std;

int main(int argc, char** argv)
{
	RNG rng(10);//里面的数值设定之后，每次产生的随机数都一样，类似于numpy的seed
	for (int i = 0; i < 10; i++) {
		cout << "round " << i << endl;
		cout << "random number = " << rng.uniform(1, 10) << endl;
	}

}

 

#include <iostream>
#include <opencv2/core.hpp>
#include <opencv2/imgproc.hpp>
#include "opencv2/imgcodecs.hpp"
#include <opencv2/highgui.hpp>
#include <opencv2/ml.hpp>

using namespace cv;
using namespace cv::ml;
using namespace std;


RNG rng(10);


int main(int argc, char** argv)
{
	Mat Test = (Mat_<double>(3, 3) << 0, 1, 2, 3, 4, 5, 6, 7, 8);
	cout << "Total matrix:" << endl;
	cout << Test << endl << endl;

	Mat Test_col = Test.colRange(0, 1);
	cout << "col range:" << endl;
	cout << Test_col << endl << endl;

	rng.fill(Test_col, RNG::UNIFORM,2,10);
	cout << "new col range:" << endl;
	cout << Test_col << endl << endl;
	cout << "new Total matrix:" << endl;
	cout << Test << endl << endl;

}

 简化

仅仅使用简单数据实现整个流程

#include <iostream>
#include <opencv2/core.hpp>
#include <opencv2/imgproc.hpp>
#include "opencv2/imgcodecs.hpp"
#include <opencv2/highgui.hpp>
#include <opencv2/ml.hpp>

using namespace cv;
using namespace cv::ml;
using namespace std;


RNG rng(10);


int main(int argc, char** argv)
{
   //设置训练数据
	int labels[4] = { 1, 1, -1, -1 };
	float trainingData[4][2] = { {0, 50}, {255, 40}, {501, 255}, {10, 501} };
	Mat trainingDataMat(4, 2, CV_32F, trainingData);
	Mat labelsMat(4, 1, CV_32SC1, labels);
	cout << "训练数据" << "\n" << "trainingDataMat" << "\n" << trainingDataMat << "\n" << "labelsMat" << "\n" << labelsMat << endl;

	//训练SVM
	Ptr<SVM> svm = SVM::create();
	svm->setType(SVM::C_SVC);
	svm->setKernel(SVM::LINEAR);
	svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, 100, 1e-6));
	//开始训练
	svm->train(trainingDataMat, ROW_SAMPLE, labelsMat);

	//可视化表示
	int width = 512, height = 512;
	Mat image = Mat::zeros(height, width, CV_8UC3);

	//显示由支持向量机给出的决策区域
	Vec3b green(0, 255, 0), blue(255, 0, 0);
	for (int i = 0; i < image.rows; i++)
	{
		for (int j = 0; j < image.cols; j++)
		{
			Mat sampleMat = (Mat_<float>(1, 2) << j, i);
			float response = svm->predict(sampleMat);

			if (response == 1)
				image.at<Vec3b>(i, j) = green;
			else if (response == -1)
				image.at<Vec3b>(i, j) = blue;
		}
	}
	//把训练数据在图片上进行显示
	int thickness = -1;
	//类别1，白色
	circle(image, Point(0, 50), 5, Scalar(255, 255, 255), thickness);
	circle(image, Point(255, 40), 5, Scalar(255, 255, 255), thickness);
	//类别-1，黑色
	circle(image, Point(501, 255), 5, Scalar(0, 0, 0), thickness);
	circle(image, Point(10, 501), 5, Scalar(0, 0, 0), thickness);

	//显示支持相量，距离最短的
	thickness = 2;
	Mat sv = svm->getUncompressedSupportVectors();
	for (int i = 0; i < sv.rows; i++)
    {
        const float* v = sv.ptr<float>(i);
        circle(image,  Point( (int) v[0], (int) v[1]), 6, Scalar(0, 0, 255), thickness);
    }


	imshow("SVM", image);
	waitKey(0);
	destroyAllWindows();

	return 0;
}

多分类问题

#include <iostream>
#include <opencv2/core.hpp>
#include <opencv2/imgproc.hpp>
#include "opencv2/imgcodecs.hpp"
#include <opencv2/highgui.hpp>
#include <opencv2/ml.hpp>

using namespace cv;
using namespace cv::ml;
using namespace std;


RNG rng(10);


//三分类问题

int main(int argc, char** argv)
{
	//设置训练数据
	int labels[6] = { 1, 1, 2, 2, 3, 3 };
	float trainingData[6][2] = { {0, 50}, {255, 40}, {501, 255}, {10, 501},{100,350},{400,350} };
	Mat trainingDataMat(6, 2, CV_32F, trainingData);
	Mat labelsMat(6, 1, CV_32SC1, labels);
	cout << "训练数据" << "\n" << "trainingDataMat" << "\n" << trainingDataMat << "\n" << "labelsMat" << "\n" << labelsMat << endl;

	//训练SVM
	Ptr<SVM> svm = SVM::create();
	svm->setType(SVM::C_SVC);
	svm->setKernel(SVM::LINEAR);
	svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, 100, 1e-6));
	//开始训练
	svm->train(trainingDataMat, ROW_SAMPLE, labelsMat);

	//可视化表示
	int width = 512, height = 512;
	Mat image = Mat::zeros(height, width, CV_8UC3);

	//显示由支持向量机给出的决策区域
	Vec3b green(0, 255, 0), blue(255, 0, 0),red(0,0,255);
	for (int i = 0; i < image.rows; i++)
	{
		for (int j = 0; j < image.cols; j++)
		{
			Mat sampleMat = (Mat_<float>(1, 2) << j, i);
			float response = svm->predict(sampleMat);

			if (response == 1)
				image.at<Vec3b>(i, j) = green;
			else if (response == 2)
				image.at<Vec3b>(i, j) = blue;
			else if (response == 3)
				image.at<Vec3b>(i, j) = red;
		}
	}
	//把训练数据在图片上进行显示
	int thickness = -1;
	//类别1，红色 背景绿色
	circle(image, Point(0, 50), 5, Scalar(0, 0, 255), thickness);
	circle(image, Point(255, 40), 5, Scalar(0, 0, 255), thickness);
	//类别2，绿色 背景蓝色
	circle(image, Point(501, 255), 5, Scalar(0, 255, 0), thickness);
	circle(image, Point(10, 501), 5, Scalar(0, 255, 0), thickness);
	//类别3，蓝色 背景红色
	circle(image, Point(100, 350), 5, Scalar(0, 255, 0), thickness);
	circle(image, Point(400, 350), 5, Scalar(0, 255, 0), thickness);


	//显示支持相量，距离最短的
	thickness = 2;
	Mat sv = svm->getUncompressedSupportVectors();
	for (int i = 0; i < sv.rows; i++)
	{
		const float* v = sv.ptr<float>(i);
		circle(image, Point((int)v[0], (int)v[1]), 6, Scalar(255,2555,255), thickness);
	}


	imshow("SVM", image);
	waitKey(0);
	destroyAllWindows();

	return 0;
}

 

zoodD顶真
关注
OPENCV SVM介绍和自带例子
weixin_30314631的博客
10-13 1349
依据机器学习算法如何学习数据可分为3类：有监督学习：从有标签的数据学习，得到模型参数，对测试数据正确分类；无监督学习：没有标签，计算机自己寻找输入数据可能的模型；强化学习（reinforcement learning）：计算机与动态环境交互，学习错误反馈达到更优的目的。 依据机器学习期望结果来分类：分类：输入被分为N个类别的一种；回归：输出是连续值；如依据房子的大小，时间，位置来预测房子的价格；...
OpenCV中的SVM
zengwh
06-23 1190
#include "stdafx.h" #include <opencv2/opencv.hpp> #include <iostream> #include <fstream> #include <sstream> #include <math.h> #include <vector> #include <windows.h> #inc
opencv使用svm
热门推荐
q123456789098的专栏
05-20 1万+
OpenCV开发SVM算法是基于LibSVM软件包开发的，LibSVM是台湾大学林智仁(LinChih-Jen)等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包。用OpenCV使用SVM算法的大概流程是 1）设置训练样本集 需要两组数据，一组是数据的类别，一组是数据的向量信息。 2）设置SVM参数 利用CvSVMParams类实现类内的成员变量svm_type
SVM（Opencv程序）
03-25
这是一个用OPENCV编的支持向量机程序，很有用的，大家可以下来看看。
opencv中的svm
Yuippe的专栏
10-31 842
在运用svm来实现过程中，先介绍数学上的几个概念: 线性空间： 线性空间是这样一种集合，其中任意两元素相加可构成此集合内的另一个元素，任意元素与任意数相乘后得到此集合内的另一元素。 欧式空间： 支持向量机： 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，就是给定一些标记好的训练样本，svm算法输出一个最优化的分隔超平面。 怎么找到距离
svm.zip_SVM算法opencv_opencv_opencv SVM_opencv svm代码_svm opencv
09-24
OpenCV库，一个强大的计算机视觉库，内置了SVM的实现，使得开发者能够方便地在C++环境中使用SVM算法。 在OpenCV中，SVM的实现基于LIBSVM库，这是一款高效且灵活的SVM工具，适用于各种机器学习任务。`svm.zip`压缩包...
opencv svm训练及检测代码+样本描述文件
07-27
OpenCV是一个强大的开源计算机视觉库，它提供了对SVM的支持，使得开发者能够轻松地实现SVM相关的应用。在这个项目中，我们将深入探讨OpenCV中的SVM用于目标检测的具体步骤，以及相关文件的用途。 1. **SVM的理解与...
opencv SVM实现二分类的训练与测试
04-23
在本教程中，我们将聚焦于如何使用OpenCV中的支持向量机（SVM，Support Vector Machine）来实现二分类问题的训练与测试。SVM是一种监督学习算法，常用于分类和回归分析，尤其在小样本情况下表现优异。 一、支持向量...
opencv svm训练java_OpenCV 中使用SVM
weixin_35574537的博客
02-28 744
分类器分类器是一种计算机程序。他的设计目标是在通过学习后，可自动将数据分到已知类别。平面线性分类器一个简单的分类问题，如图有一些圆圈和一些正方形，如何找一条最优的直线将他们分开？我们可以找到很多种方法画出这条直线，但怎样的直线才是最优的呢？距离样本太近的直线不是最优的，因为这样的直线对噪声敏感度高，泛化性较差。 因此我们的目标是找到一条直线，离最近的点距离最远。怎么寻找距离最远的直线？枚举所有直线...
introduction_to_svm.zip_SVM_opencv svm_opencv 分类_svm分类vs
09-23
**支撑向量机（SVM）深度解析与OpenCV实现** 支撑向量机（Support Vector Machine，SVM）是一种在机器学习领域广泛应用的监督学习模型，尤其在分类和回归问题中表现出色。SVM的核心思想是找到一个最优的超平面，...
svm opencv
05-20
直接将图片分类好放进完好、破损文件夹，完好文件夹全体重命名为1破损文件夹全体重命名为2，测试文件夹全体重命名为3，重命名后后即可运行项目，完成svm分类训练出分类模型svm.xml，并进行预测图片分类。
opencv自带SVM分类器使用程序
11-08
压缩包含一个完整的Qt控制台工程，注释详细，调试和运行成功，也可以直接移植到win32中运行。
opencv svm
LILIHUANG9595的博客
11-29 282
OPENCV SVM介绍和自带例子 转自博客https://www.cnblogs.com/chenzhefan/p/7662315.html
OpenCV学习笔记（二十六）——小试SVM算法ml
yangshen998
11-15 272
总感觉自己停留在码农的初级阶段，要想更上一层，就得静下心来，好好研究一下算法的东西。OpenCV作为一个计算机视觉的开源库，肯定不会只停留在数字图像处理的初级阶段，我也得加油，深入研究它的算法库。就从ml入手吧，最近做东西遇到随机森林，被搞的头大，深深感觉自己肚子里货太少，关键时刻调不出东西来。切勿浮躁，一点点研究吧。 这次就先介绍一下机器学习中的一个常用算法SVM算法，即支持向量机Suppor...
OpenCV中SVM的使用
架构设计
04-16 233
转自：http://download.csdn.net/download/gaogaogao124/3125857 略有改动： #include"stdafx.h" #include&lt;opencv2/opencv.hpp&gt; #include&lt;cmath&gt; #include&lt;ctime&gt; using namespace std; int _t...
OpenCV——SVM学习(一)
CSDN_dzh的博客
01-05 1162
1、SVM支持向量机的概念 SVM是一个分类器Support Vector Machines，定义为一个能够将不同类样本在样本空间分隔的超平面，即给定一些标记好的训练样本，SVM算法输出一个最优化的分隔超平面。 2、初步学习 2.1理解SVM 参考自 http://blog.csdn.net/c406495762/article/details/78072313 http://bl
OpenCV中SVM使用--python
red_ear的博客
12-10 8136
#SVM 本质 寻求一个最优的超平面 分类 #SVM 线性核 line # 核函数 线性核，多项式核 高斯径向基核 sigmoid核函数 #身高体重 训练 预测 import cv2 import numpy as np import matplotlib as plt # 准备数据 rand1 = np.array([[155,48],[159,50],[164,53],[164,56],[...
opencv SVM 使用
qq_34359028的博客
12-26 999
SVM是一种分类器，下面通过手写0-9数字识别对其进行以下介绍。 1.首先准备训练使用的手写字体 如图所示，将手写字体分类放在不同的文件夹。 2.读取图片//每种数字个数 const int count[10] = {5923,6742,5958,6131,5842,5421,5918,6265,5851,5949}; string filename = "shouxiezit
OpenCV学习笔记(十六)——支持向量机(SVM)
简简单单的学习笔记，致力于帮助更多前进路上的朋友~
12-19 3236
支持向量机（Support Vector Machine，SVM）是一种二分类模型，目标是寻找一个标准（称为超平面）对样本数据进行分割，分割的原则是确保分类最优化（类别之间的间隔最大）。当数据集较小时，使用支持向量机进行分类非常有效。支持向量机是最好的现成分类器之一，这里所谓的“现成”是指分类器不加修改即可直接使用。
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