OpenCV2.4.10之samples_cpp_tutorial-code_learn-----ml(SVM支持向量机一)
2016-04-29 11:33
525 查看
本系列学习笔记参考自OpenCV2.4.10之opencv\sources\samples\cpp\tutorial_code和http://www.opencv.org.cn/opencvdoc/2.3.2/html/genindex.html
SVM为支持向量机。它是一个分类器。简单说,SVM是通过我们一组训练样本来对平面进行一个最优的分割。
introduction_to_svm.cpp(SVM支持向量机)
demo源码和注释如下:
首先是关于SVM的参数,params.svm_type为SVM类型,CvSVM::C_SVC表示SVM可以处理非完美分类的问题。这里数据可以先行分割,所以意义不大。params.kernel_type参数为SVM核类型,CvSVM::LINEAR;为线性核,无映射,且为最快的方式。params.term_crit为SVM结束条件。cvTermCriteria结构体为结束条件,CV_TERMCRIT_ITER表示在迭代次数达到最大值前结束,100代表最大的迭代次数,1e-6为精度要求。
SVM.train的功能为根据样本进行SVM分类器的训练,函数声明C++: bool CvSVM::train(const
Mat& trainData, const Mat& responses,
const Mat& varIdx=Mat(), const Mat& sampleIdx=Mat(),
CvSVMParamsparams=CvSVMParams() )
参数trainData为待训练的数据,responses为训练数据的分类结果。CvSVMParams为SVM分类器参数。
SVM.get_support_vector_count()用于获取支持向量的数据。SVM.get_support_vector(i)根据索引获取支持向量。
SVM为支持向量机。它是一个分类器。简单说,SVM是通过我们一组训练样本来对平面进行一个最优的分割。
introduction_to_svm.cpp(SVM支持向量机)
demo源码和注释如下:
#include "stdafx.h" //预编译头文件 #include <opencv2/core/core.hpp> #include <opencv2/highgui/highgui.hpp> #include <opencv2/ml/ml.hpp> using namespace cv; int main() { //定义一个512*512像素大小的图像进行SVM可视化呈现 int width = 512, height = 512; Mat image = Mat::zeros(height, width, CV_8UC3); //设置训练数据。训练数据有两个类1和-1 这两个类分别有一个和三个数据。 float labels[4] = {1.0, -1.0, -1.0, -1.0}; Mat labelsMat(4, 1, CV_32FC1, labels); float trainingData[4][2] = { {501, 10}, {255, 10}, {501, 255}, {10, 501} }; Mat trainingDataMat(4, 2, CV_32FC1, trainingData); //设置SVM参数 CvSVMParams params; params.svm_type = CvSVM::C_SVC; params.kernel_type = CvSVM::LINEAR; params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6); // 训练SVM CvSVM SVM; SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params); Vec3b green(0,255,0), blue (255,0,0); // 将图像中的每个点进行SVM分类并着色 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; } //显示训练数据 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 thickness = 2; lineType = 8; int c = SVM.get_support_vector_count(); for (int i = 0; i < c; ++i) { 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); // save the image imshow("SVM Simple Example", image); // show it to the user waitKey(0); }运行截图:
首先是关于SVM的参数,params.svm_type为SVM类型,CvSVM::C_SVC表示SVM可以处理非完美分类的问题。这里数据可以先行分割,所以意义不大。params.kernel_type参数为SVM核类型,CvSVM::LINEAR;为线性核,无映射,且为最快的方式。params.term_crit为SVM结束条件。cvTermCriteria结构体为结束条件,CV_TERMCRIT_ITER表示在迭代次数达到最大值前结束,100代表最大的迭代次数,1e-6为精度要求。
SVM.train的功能为根据样本进行SVM分类器的训练,函数声明C++: bool CvSVM::train(const
Mat& trainData, const Mat& responses,
const Mat& varIdx=Mat(), const Mat& sampleIdx=Mat(),
CvSVMParamsparams=CvSVMParams() )
参数trainData为待训练的数据,responses为训练数据的分类结果。CvSVMParams为SVM分类器参数。
SVM.get_support_vector_count()用于获取支持向量的数据。SVM.get_support_vector(i)根据索引获取支持向量。
相关文章推荐
- C++单例模式
- 【转】浅析C语言的非局部跳转:setjmp和longjmp
- C/C++之回调函数
- C++中使用new最好要显示调用初始化函数
- C++中的inline关键字
- 的四次C++作业
- UVa 11059 Maximum Product
- C++ builder数据库连接大全
- MFC使用mscomm串口通信
- 第四次c++作业
- C语言单向链表的建立
- 第四次c++作业
- 第四次c++实验
- C++:STL标准入门汇总
- C++ STL--stack/queue 的使用方法
- hdu 1035 Robot Motion
- C++面向对象(二)——继承
- C++空类默认有哪些成员函数?
- 学习笔记之深入浅出MFC 第8章 C++重要特性---类与对象大解剖(虚拟函数的实现方式)
- C语言字符串结束符