OpenCV中使用神经网络 CvANN_MLP

原文：http://blog.csdn.net/xiaowei_cqu/article/details/9027617

OpenCV的ml模块实现了人工神经网络（Artificial Neural
Networks， ANN）最典型的多层感知器（multi-layer

perceptrons, MLP）模型。由于ml模型实现的算法都继承自统一的CvStatModel基类，其训练和预测的接口都是train(),predict()，非常简单。

下面来看神经网络 CvANN_MLP 的使用~

定义神经网络及参数：

[cpp] view

plaincopy





//Setup the BPNetwork  

    CvANN_MLP bp;   

    // Set up BPNetwork's parameters  

    CvANN_MLP_TrainParams params;  

    params.train_method=CvANN_MLP_TrainParams::BACKPROP;  

    params.bp_dw_scale=0.1;  

    params.bp_moment_scale=0.1;  

    //params.train_method=CvANN_MLP_TrainParams::RPROP;  

    //params.rp_dw0 = 0.1;   

    //params.rp_dw_plus = 1.2;   

    //params.rp_dw_minus = 0.5;  

    //params.rp_dw_min = FLT_EPSILON;   

    //params.rp_dw_max = 50.;  

可以直接定义CvANN_MLP神经网络，并设置其参数。 BACKPROP表示使用back-propagation的训练方法，RPROP即最简单的propagation训练方法。

使用BACKPROP有两个相关参数：bp_dw_scale即bp_moment_scale：



使用PRPOP有四个相关参数：rp_dw0, rp_dw_plus, rp_dw_minus, rp_dw_min, rp_dw_max：



上述代码中为其默认值。

设置网络层数，训练数据：

[cpp] view

plaincopy





// Set up training data  

    float labels[3][5] = {{0,0,0,0,0},{1,1,1,1,1},{0,0,0,0,0}};  

    Mat labelsMat(3, 5, CV_32FC1, labels);  

  

    float trainingData[3][5] = { {1,2,3,4,5},{111,112,113,114,115}, {21,22,23,24,25} };  

    Mat trainingDataMat(3, 5, CV_32FC1, trainingData);  

    Mat layerSizes=(Mat_<int>(1,5) << 5,2,2,2,5);  

    bp.create(layerSizes,CvANN_MLP::SIGMOID_SYM);//CvANN_MLP::SIGMOID_SYM  

                                               //CvANN_MLP::GAUSSIAN  

                                               //CvANN_MLP::IDENTITY  

    bp.train(trainingDataMat, labelsMat, Mat(),Mat(), params);  

layerSizes设置了有三个隐含层的网络结构：输入层，三个隐含层，输出层。输入层和输出层节点数均为5，中间隐含层每层有两个节点。

create第二个参数可以设置每个神经节点的激活函数，默认为CvANN_MLP::SIGMOID_SYM，即Sigmoid函数，同时提供的其他激活函数有Gauss和阶跃函数。

使用训练好的网络结构分类新的数据：

然后直接使用predict函数，就可以预测新的节点：

[cpp] view

plaincopy





Mat sampleMat = (Mat_<float>(1,5) << i,j,0,0,0);  

            Mat responseMat;  

            bp.predict(sampleMat,responseMat);  

完整程序代码：

[cpp] view

plaincopy





//The example of using BPNetwork in OpenCV  

//Coded by L. Wei  

#include <opencv2/core/core.hpp>  

#include <opencv2/highgui/highgui.hpp>  

#include <opencv2/ml/ml.hpp>  

#include <iostream>  

#include <string>  

  

using namespace std;  

using namespace cv;  

  

int main()  

{  

    //Setup the BPNetwork  

    CvANN_MLP bp;   

    // Set up BPNetwork's parameters  

    CvANN_MLP_TrainParams params;  

    params.train_method=CvANN_MLP_TrainParams::BACKPROP;  

    params.bp_dw_scale=0.1;  

    params.bp_moment_scale=0.1;  

    //params.train_method=CvANN_MLP_TrainParams::RPROP;  

    //params.rp_dw0 = 0.1;   

    //params.rp_dw_plus = 1.2;   

    //params.rp_dw_minus = 0.5;  

    //params.rp_dw_min = FLT_EPSILON;   

    //params.rp_dw_max = 50.;  

  

    // Set up training data  

    float labels[3][5] = {{0,0,0,0,0},{1,1,1,1,1},{0,0,0,0,0}};  

    Mat labelsMat(3, 5, CV_32FC1, labels);  

  

    float trainingData[3][5] = { {1,2,3,4,5},{111,112,113,114,115}, {21,22,23,24,25} };  

    Mat trainingDataMat(3, 5, CV_32FC1, trainingData);  

    Mat layerSizes=(Mat_<int>(1,5) << 5,2,2,2,5);  

    bp.create(layerSizes,CvANN_MLP::SIGMOID_SYM);//CvANN_MLP::SIGMOID_SYM  

                                               //CvANN_MLP::GAUSSIAN  

                                               //CvANN_MLP::IDENTITY  

    bp.train(trainingDataMat, labelsMat, Mat(),Mat(), params);  

  

  

    // Data for visual representation  

    int width = 512, height = 512;  

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

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

    // Show the decision regions given by the SVM  

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

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

        {  

            Mat sampleMat = (Mat_<float>(1,5) << i,j,0,0,0);  

            Mat responseMat;  

            bp.predict(sampleMat,responseMat);  

            float* p=responseMat.ptr<float>(0);  

            int response=0;  

            for(int i=0;i<5;i++){  

            //  cout<<p[i]<<" ";  

                response+=p[i];  

            }  

            if (response >2)  

                image.at<Vec3b>(j, i)  = green;  

            else    

                image.at<Vec3b>(j, i)  = blue;  

        }  

  

        // 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);  

  

        imwrite("result.png", image);        // save the image   

  

        imshow("BP Simple Example", image); // show it to the user  

        waitKey(0);  

  

}  

结果：