OpenCV 3.1.0支持向量机SVM
来源:互联网 发布:数据库查询重复值 编辑:程序博客网 时间:2024/06/08 11:41
什么是支持向量机SVM
支持向量机是20世纪90年代中期发展起来的基于统计学习理论的一种机器学习方法,通过寻求结构化风险最小来提高学习机泛化能力,实现经验风险和置信范围的最小化,从而达到在统计样本量较少的情况下,也能获得良好统计规律的目的。它是一种二类分类模型,其基本模型定义为特征空间上的间隔最大的线性分类器,即支持向量机的学习策略便是间隔最大化,最终可转化为一个凸二次规划问题的求解。
通俗来说,支持向量机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,给定一些标记(label)好的训练样本 (监督式学习), SVM算法输出一个最优化的分隔超平面。
- 如何评判最优的超平面?
给定分别属于两类(圆形和正方形)的二维点,这些点可以通过直线分割。
可以看出,能将两类样本分开的直线有无数条。如何定义一条直线好坏的标准?
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,离所有点的距离最远。
由此, SVM算法的实质是找出一个能够将某个值最大化的超平面,这个值就是超平面离所有训练样本的最小距离。这个最小距离用SVM术语来说叫做间隔(margin) 。 概括一下,最优分割超平面最大化训练数据的间隔。 SVM的核心——核函数
很多情况下需要分类的数据都是线性不可分数据。一种解决方法是选择一个核函数(Kernel)K,将原始数据映射到高维空间,使原始数据线性可分问题变为在高维空间线性可分的问题。如图所示。常用核函数:
①线性核:K(x,y)=x·y
②多项式核:K(x,y)=[(x·y)+1]^d
③高斯核:K(x,y)=exp(-|x-y|^2/d^2)
④Sigmoid內积核:K(x,y)=tanh(a(x·y)+b)
OpenCV在很久以前就集成了SVM功能,然而升级到3.0和3.1版本后发生了很大的变化。这里只对3.1版本进行考虑。
建立训练样本
一开始训练数据用的是int类型,即
int colors[8][3];
Mat trainingDataMat(8, 3, CV_32SC1, colors);
结果报错:OpenCV Error: Assertion failed (_samples.type() == CV_32F) in cv::ml::SVMImpl::do_train, file C:\buildslave64\win64_amdocl\master_PackSlave-win64-vc14-shared\opencv\modules\ml\src\svm.cpp, line 1370
查询官方API发现:训练数据必须为CV_32FC1
格式。训练支持向量机
//初始化SVM Ptr<SVM> svm = SVM::create(); svm->setType(SVM::Types::C_SVC); svm->setKernel(SVM::KernelTypes::LINEAR); svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, 100, 1e-6)); //训练 svm->train(trainingDataMat,SampleTypes::ROW_SAMPLE , labelsMat);
- 预测
Mat sample = (Mat_<float>(1, 3) << color[0] / pixelAmount, color[1] / pixelAmount, color[2] / pixelAmount);float response = svm->predict(sample);
源代码:
简单的通过颜色来对苹果和香蕉进行分类,读取样本图片并计算其像素颜色平均值作为训练数据进行训练。
#include "opencv2/opencv.hpp"#include "opencv2/imgproc.hpp"#include "opencv2/highgui.hpp"#include "opencv2/ml.hpp"#include <iostream>using namespace std;using namespace cv;using namespace cv::ml;int main(int argc, char** argv){ //训练数据的分类 1.0苹果-1.0香蕉 int labels[8] = { 1,1,1,1,-1,-1,-1,-1 }; Mat labelsMat(8, 1, CV_32SC1, labels); //训练数据矩阵 float colors[8][3]; //苹果样本数据 for (int i = 0; i < 4; i++){ string temp = "apple"; char n[1]; itoa(i, n, 10); temp = temp.append(n); string imgName = temp.append(".png"); //cout << imgName; Mat testImg = imread(imgName); //imshow(imgName, testImg); int color[3] = { 0, 0, 0 }; int pixelAmount = testImg.rows*testImg.cols; for (int j = 0; j < testImg.rows; j++){ for (int k = 0; k < testImg.cols; k++){ color[0] += testImg.at<Vec3b>(j, k)[0]; color[1] += testImg.at<Vec3b>(j, k)[1]; color[2] += testImg.at<Vec3b>(j, k)[2]; } } cout << "苹果" << i << " : " << color[0] / pixelAmount << " " << color[1] / pixelAmount << " " << color[2] / pixelAmount << endl; colors[i][0] = color[0] / pixelAmount; colors[i][1] = color[1] / pixelAmount; colors[i][2] = color[2] / pixelAmount; } //香蕉样本数据 for (int i = 0; i < 4; i++){ string temp = "banana"; char n[1]; itoa(i, n, 10); temp = temp.append(n); string imgName = temp.append(".png"); //cout << imgName; Mat testImg = imread(imgName); //imshow(imgName, testImg); int color[3] = { 0, 0, 0 }; int pixelAmount = testImg.rows*testImg.cols; for (int j = 0; j < testImg.rows; j++){ for (int k = 0; k < testImg.cols; k++){ color[0] += testImg.at<Vec3b>(j, k)[0]; color[1] += testImg.at<Vec3b>(j, k)[1]; color[2] += testImg.at<Vec3b>(j, k)[2]; } } cout << "香蕉" << i << " : " << color[0] / pixelAmount << " " << color[1] / pixelAmount << " " << color[2] / pixelAmount << endl; colors[i + 4][0] = color[0] / pixelAmount; colors[i + 4][1] = color[1] / pixelAmount; colors[i + 4][2] = color[2] / pixelAmount; } Mat trainingDataMat(8, 3, CV_32FC1, colors); //初始化SVM Ptr<SVM> svm = SVM::create(); svm->setType(SVM::Types::C_SVC); svm->setKernel(SVM::KernelTypes::LINEAR); svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, 100, 1e-6)); //训练 svm->train(trainingDataMat,SampleTypes::ROW_SAMPLE , labelsMat); //测试图片 for (int i = 0; i < 4; i++){ string temp = "test"; char n[1]; itoa(i, n, 10); temp = temp.append(n); string imgName = temp.append(".png"); //cout << imgName; Mat testImg = imread(imgName); //imshow(imgName, testImg); int color[3] = { 0, 0, 0 }; int pixelAmount = testImg.rows*testImg.cols; for (int j = 0; j < testImg.rows; j++){ for (int k = 0; k < testImg.cols; k++){ color[0] += testImg.at<Vec3b>(j, k)[0]; color[1] += testImg.at<Vec3b>(j, k)[1]; color[2] += testImg.at<Vec3b>(j, k)[2]; } } cout << "测试" << i << " : " << color[0] / pixelAmount << " " << color[1] / pixelAmount << " " << color[2] / pixelAmount << endl; Mat sample = (Mat_<float>(1, 3) << color[0] / pixelAmount, color[1] / pixelAmount, color[2] / pixelAmount); float response = svm->predict(sample); if (response == 1.0){ cout << "苹果" << endl; } else if (response == -1.0){ cout << "香蕉" << endl; } } waitKey(); int a; cin >> a; return 0;}
样本图片:
测试图片:
测试结果:
- OpenCV 3.1.0支持向量机SVM
- OpenCV 支持向量机(SVM)介绍
- OpenCV中的SVM支持向量机
- SVM 支持向量机 opencv实现
- OpenCV支持向量机(SVM)介绍
- opencv笔记(12):支持向量机-SVM
- 支持向量机SVM
- SVM支持向量机
- svm支持向量机
- SVM支持向量机
- [SVM]支持向量机
- SVM 支持向量机
- 支持向量机SVM
- SVM 支持向量机
- svm支持向量机
- 支持向量机SVM
- svm支持向量机
- SVM (支持向量机)
- c/c++整理--位运算与嵌入式编程(1)
- 递推——Codeforces 319A
- C语言中有符号数与无符号数相加
- 互联网注定被抛弃,未来30年属于硬科技!深层逻辑是这样的
- eclipse svn中打开xml文件出现Android xml editor cannot process this input 问题
- OpenCV 3.1.0支持向量机SVM
- OpenGL光照计算原理
- Mysql 约束
- Python3.6 IDLE常用快捷键
- 2010-2011 ACM-ICPC, NEERC, Southern Subregional Contest
- LINUX连接不上secucrt(ssh启动失败)
- Java实现Base64加密
- 基于TCP的文件传输
- 迭代器Iterator操作及底层实现