SVM是2000年左右提出的一种新的分类方法,着重解决了小样本分类问题。具体原理可以参看模式识别的书籍。OpenCV中的SVM的实现也是基于大名鼎鼎的SVM 库:http://www.csie.ntu.edu.tw/~cjlin。OpenCV教程中有两个例子,一个是线性可分的,一个是线性不可分的,我对他们做了详尽的注释:
先看线性可分时:
- #include <opencv2/core/core.hpp>
- #include <opencv2/highgui/highgui.hpp>
- #include <opencv2/ml/ml.hpp>
-
- using namespace cv;
-
- int main()
- {
- // Data for visual representation
- int width = 512, height = 512;
- Mat image = Mat::zeros(height, width, CV_8UC3);
-
- // Set up training data
- float labels[5] = {1.0, -1.0, -1.0, -1.0,1.0};
- Mat labelsMat(5, 1, CV_32FC1, labels);
-
-
- float trainingData[5][2] = { {501, 10}, {255, 10}, {501, 255}, {10, 501},{501,128} };
- Mat trainingDataMat(5, 2, CV_32FC1, trainingData);
-
- //设置支持向量机的参数
- CvSVMParams params;
- params.svm_type = CvSVM::C_SVC;//SVM类型:使用C支持向量机
- params.kernel_type = CvSVM::LINEAR;//核函数类型:线性
- params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6);//终止准则函数:当迭代次数达到最大值时终止
-
- //训练SVM
- //建立一个SVM类的实例
- CvSVM SVM;
- //训练模型,参数为:输入数据、响应、XX、XX、参数(前面设置过)
- SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);
-
- Vec3b green(0,255,0), blue (255,0,0);
- //显示判决域
- for (int i = 0; i < image.rows; ++i)
- for (int j = 0; j < image.cols; ++j)
- {
- Mat sampleMat = (Mat_<float>(1,2) << i,j);
- //predict是用来预测的,参数为:样本、返回值类型(如果值为ture而且是一个2类问题则返回判决函数值,否则返回类标签)、
- float response = SVM.predict(sampleMat);
-
- if (response == 1)
- image.at<Vec3b>(j, i) = green;
- else if (response == -1)
- image.at<Vec3b>(j, i) = blue;
- }
-
- //画出训练数据
- int thickness = -1;
- int lineType = 8;
- circle( image, Point(501, 10), 5, Scalar( 0, 0, 0), thickness, lineType);//画圆
- 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);
- circle(image, Point( 501, 128), 5, Scalar(0, 0, 0), thickness, lineType);
-
- //显示支持向量
- thickness = 2;
- lineType = 8;
- //获取支持向量的个数
- int c = SVM.get_support_vector_count();
-
- for (int i = 0; i < c; ++i)
- {
- //获取第i个支持向量
- const float* v = SVM.get_support_vector(i);
- //支持向量用到的样本点,用灰色进行标注
- 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);
-
- }
线性不可分时由于样本较多,训练的时间比较长:
- #include <iostream>
- #include <opencv2/core/core.hpp>
- #include <opencv2/highgui/highgui.hpp>
- #include <opencv2/ml/ml.hpp>
- #include "time.h"
-
- using namespace cv;
- using namespace std;
- //程序说明:
- //一共两个样本集每个样本集有100个样本,其中90个是线性可分的,10个线型不可分
- //这200个样本数据储存在trainData内:trainData是一个200行2列的矩阵,其中第一列储存样本的X值,第二列储存的是样本的Y值
- //每一列的前90个元素是第一类的线性可分部分,后90个元素是第二类的线性可分部分,中间的20个元素是线性不可分部分
- //第一类样本的X值分布在整幅图像的[0,0.4]范围内,第二类样本的X值分布在整幅图像的[0.6,1]范围内,中间的[0.4,0.6]是线性不可分的部分;这三部分的Y值都在整幅图像的高度内自由分布
-
-
- //每个样本集的数量
- #define NTRAINING_SAMPLES 100
-
- //其中的线性部分
- #define FRAC_LINEAR_SEP 0.9f
-
- int main()
- {
- //定义显示结果的图像
- //图像的宽度、高度
- const int WIDTH = 512,HEIGHT = 512;
- Mat image = Mat::zeros(HEIGHT,WIDTH,CV_8UC3);
-
-
-
- //************第一步:设定训练数据***********
- //************1.设定数据结构****************
- //承载训练数据的结构
- Mat trainData(2*NTRAINING_SAMPLES,2,CV_32FC1);
- //承载这些数据分类的结构
- Mat labels(2*NTRAINING_SAMPLES,1,CV_32FC1);
- //设定随机数种子
- RNG rng(100);
- //设定线性可分部分的数据量
- int nLinearSamples = (int) (NTRAINING_SAMPLES*FRAC_LINEAR_SEP);
-
- //**************2.设定第一类中的数据*********
- //从整个数据集中取出前[0,89]行
- //注:*Range的范围是[a,b)
- Mat trainClass = trainData.rowRange(0,nLinearSamples);
- //取出第一列
- Mat c = trainClass.colRange(0,1);
- //随机生成X的值:[0,0.4*WIDTH]
- rng.fill(c,RNG::UNIFORM,Scalar(1),Scalar(0.4*WIDTH));
- //取出第二列
- c = trainClass.colRange(1,2);
- //随机生成Y的值
- rng.fill(c,RNG::UNIFORM,Scalar(1),Scalar(HEIGHT));
-
- //**************2.设定第二类的数据*************
- //从整个数据中取出[110,199]行
- trainClass = trainData.rowRange(2*NTRAINING_SAMPLES-nLinearSamples,2*NTRAINING_SAMPLES);
- //取出第一列
- c = trainClass.colRange(0,1);
- //随机生成X的值[0.6*WIDTH,WIDTH]
- rng.fill(c,RNG::UNIFORM,Scalar(0.6*WIDTH),Scalar(WIDTH));
- //取出第二列
- c = trainClass.colRange(1,2);
- //随机生成Y的值
- rng.fill(c,RNG::UNIFORM,Scalar(1),Scalar(HEIGHT));
-
- //***************3.设定线性不可分的数据***********
- //取出[90,109]行
- trainClass = trainData.rowRange(nLinearSamples,2*NTRAINING_SAMPLES-nLinearSamples);
- //取出第一列
- c = trainClass.colRange(0,1);
- //随机生成X的值[0.4*WIDTH,0.6*WIDTH]
- rng.fill(c,RNG::UNIFORM,Scalar(0.4*WIDTH),Scalar(0.6*WIDTH));
- //取出第二列
- c = trainClass.colRange(1,2);
- //随机生成Y的值
- rng.fill(c,RNG::UNIFORM,Scalar(1),Scalar(HEIGHT));
-
-
- //***************4.为所有数据设置标签**********
- //前100个数据设为第一类
- labels.rowRange(0,NTRAINING_SAMPLES).setTo(1);
- //后100个数据设为第二类
- labels.rowRange(NTRAINING_SAMPLES,2*NTRAINING_SAMPLES).setTo(2);
-
-
- //**************第二步:设置SVM参数***********
- CvSVMParams params;
- //SVM类型: C-Support Vector Classification
- params.svm_type = SVM::C_SVC;
-
- params.C = 0.1;
- //和函数类型:Linear kernel
- params.kernel_type = SVM::LINEAR;
- //终止准则:当迭代次数到达最大值后终止
- params.term_crit = TermCriteria(CV_TERMCRIT_ITER,(int) 1e7,1e-6);
-
-
-
- //**************第三步:训练SVM***********
- cout<<"开始训练过程"<<endl;
- //开始计时
- clock_t start,finish;
- double duration;
- start = clock();
- //*************1.建立一个SVM实例**********
- CvSVM svm;
- //*************2.调用训练函数*************
- svm.train(trainData,labels,Mat(),Mat(),params);
- //结束计时
- finish = clock();
- duration = (double)(finish-start) / CLOCKS_PER_SEC;
- cout<<"训练过程结束,共耗时:"<<duration<<"秒"<<endl;
-
-
-
-
- //************第四步:显示判决域************
- //第一类用绿色;第二类用蓝色
- Vec3b green(0,100,0),blue(100,0,0);
- 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);
- if (response == 1)
- {
- image.at<Vec3b>(j,i) = green;
- }
- else if (response == 2)
- {
- image.at<Vec3b>(j,i) = blue;
- }
- }
- }
-
-
-
- //************第五步:显示训练数据************
- //红色
- //负数会导致画出的图型是实心的
- int thick = -1;
- int lineType = 8;
- float px,py;
- //************1.第一类*************
- for(int i = 0; i < NTRAINING_SAMPLES; ++i)
- {
- px = trainData.at<float>(i,0);
- py = trainData.at<float>(i,1);
- circle(image,Point((int)px,(int)py),3,Scalar(0,255,0));
- }
- //***********2.第二类****************
- for(int i = NTRAINING_SAMPLES; i < 2*NTRAINING_SAMPLES; ++i)
- {
- px = trainData.at<float>(i,0);
- py = trainData.at<float>(i,1);
- circle(image,Point((int)px,(int)py),3,Scalar(255,0,0));
- }
-
-
-
- //***********第六步:显示支持向量*************
- thick = 2;
- lineType = 8;
- //获取支持向量的个数
- int x = svm.get_support_vector_count();
- for(int i = 0; i < x; ++i)
- {
- const float* v = svm.get_support_vector(i);
- circle(image,Point((int)v[0],(int)v[1]),6,Scalar(128,128,128),thick,lineType);
- }
- imshow("分类结果",image);
- waitKey(0);
- return 0;
- }
其实我对SVM的理解也只是照猫画虎,当训练数据是高维情况时,也完全不知所措,以后要是需要在这方面有深入研究的话,在仔细考虑吧!
本站仅提供存储服务,所有内容均由用户发布,如发现有害或侵权内容,请
点击举报。