用opencv中svm分割图像

1.理解SVM

请移步支持向量机通俗导论，通俗易懂，这里不在赘述。

2.opencv中的SVM

opencv中对svm的介绍：Support Vector Machines for Non-Linearly Separable Data
官方测试代码：我做了详细的标注：

#include <opencv2/core.hpp>#include <opencv2/imgproc.hpp>#include "opencv2/imgcodecs.hpp"#include <opencv2/highgui.hpp>#include <opencv2/ml.hpp>#include <iostream>using namespace std;using namespace cv;using namespace cv::ml;int main(int, char**){    // Data for visual representation    int width = 512, height = 512;    // zeros就是搞成全0矩阵    Mat image = Mat::zeros(height, width, CV_8UC3);    // Set up training data    //! [setup1]    //设置训练数据    int labels[4] = { 1, -1, -1, -1 };  // 每个样本点对应的类    float trainingData[4][2] = { { 501, 10 }, { 255, 10 }, { 501, 255 }, { 10, 501 } };    //! [setup1]    //! [setup2]    // 将训练数据存入浮点型Mat中    Mat trainingDataMat(4, 2, CV_32FC1, trainingData);    // 使用OpenCV里面的机器学习算法时，要保证给的labelData的数据格式为”有符号的整型数”，    // ”CV_32FC1”就是错误的一种形式，应该使用”CV_32SC1”    Mat labelsMat(4, 1, CV_32SC1, labels);    //! [setup2]    // Train the SVM    //! [init]    // 这里的svm是一个指针    Ptr<SVM> svm = SVM::create();    svm->setType(SVM::C_SVC);  // 文本选择    svm->setKernel(SVM::LINEAR);    // TermCriteria是一个结构体，包括终止的类型，迭代次数或者元素数量，精度。    svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, 100, 1e-6));    //! [init]    //! [train],ROW_SAMPLE指每次训练样本的一行    // 因此总的意思是每次训练样本的一行，而这一行是哪一类是由labelsMat决定的    svm->train(trainingDataMat, ROW_SAMPLE, labelsMat);    //! [train]    // Show the decision regions given by the SVM    //! [show]    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;        }    //! [show]    // Show the training data    //! [show_data]    int thickness = -1;     // 实心圆    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);    //! [show_data]    // Show support vectors    //! [show_vectors]    thickness = 2;    // 线宽为2的圆    lineType = 8;    // 输出所有的支持向量    //int c = svm->getVarCount();     // 获得支持向量的维数    //cout << c << endl;    Mat sv = svm->getSupportVectors();    //cout << sv.cols << "-" << sv.rows << endl;    // 训练出来的SVM classifier的support vector是以Mat类型进行存储，    //其rows是根据svm的参数而变化的，如果是二分类分类器，应该是1*n的大小。    // 这里一行存的坐标。    for (int i = 0; i < sv.rows ; ++i)    {        const float* v = sv.ptr<float>(i);        // 6是圆的半径，(128,128,128)是灰色        circle(image, Point((int)v[0], (int)v[1]), 10, Scalar(128, 128, 128), thickness, lineType);    }    //! [show_vectors]    imwrite("result.png", image);        // save the image    imshow("SVM Simple Example", image); // show it to the user    waitKey(0);}

3.用SVM做简单的图像分割

直接看代码，同样做了注释：

#include <opencv2/core.hpp>#include <opencv2/imgproc.hpp>#include "opencv2/imgcodecs.hpp"#include <opencv2/highgui.hpp>#include <opencv2/ml.hpp>#include <iostream>using namespace std;using namespace cv;using namespace cv::ml;int main(){    Mat srcImg = imread("test.jpg");    Mat desImg = srcImg.clone();    imshow("原图", srcImg);    // 选取目标区域和背景区域    Mat BackImg = srcImg(Rect(199, 0, 30, 30));    Mat ForeImg = srcImg(Rect(38, 95, 30, 30));    // 初始化训练数据    Mat trainingDataMat = ForeImg.clone().reshape(1, ForeImg.cols*ForeImg.rows);    //在这里直接存入背景像素点，或者像下边一个一个点存入也可以    trainingDataMat.push_back(BackImg.clone().reshape(1,BackImg.cols*BackImg.rows));    trainingDataMat.convertTo(trainingDataMat, CV_32FC1);    // 初始化标签，分别给两种标签辅助，虽然这里memset已经全部初始化为1了，可是这里的1是浮点数    int *labels = new int[ForeImg.cols*ForeImg.rows + BackImg.cols*BackImg.rows];    memset(labels, 1, sizeof(int)*(ForeImg.cols*ForeImg.rows + BackImg.cols*BackImg.rows));    for (int i = 0; i < ForeImg.rows; ++i)        for (int j = 0; j < ForeImg.cols; ++j){            labels[i*ForeImg.cols + j] = 1;        }    for (int h = 0; h<BackImg.rows; h++)    {        for (int w = 0; w<BackImg.cols; w++)        {            labels[ForeImg.cols*ForeImg.rows + h*BackImg.cols + w] = -1;        }    }    Mat labelsMat = Mat(ForeImg.cols*ForeImg.rows + BackImg.cols*BackImg.rows, 1, CV_32SC1, labels);    // 可以将数据写入文件来检查是否正确    //FileStorage fs("data.xml", FileStorage::WRITE);    //fs << "traindata" << trainingDataMat << "labels" << labelsMat;    // Train the SVM    Ptr<SVM> svm = SVM::create();    svm->setType(SVM::C_SVC);    svm->setKernel(SVM::RBF);    svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, (int)1e5, 1e-6));    svm->train(trainingDataMat, ROW_SAMPLE, labelsMat);    // 开始分类    Vec3b black(0, 0, 0), white(255, 255, 255);    for (int i = 0; i < desImg.rows; ++i)    {        uchar* p_sample = desImg.ptr<uchar>(i);        for (int j = 0; j < desImg.cols; ++j)        {            Mat sampleMat(1, 3, CV_32FC1);            sampleMat.at<float>(0, 0) = p_sample[3 * j + 0];            sampleMat.at<float>(0, 1) = p_sample[3 * j + 1];            sampleMat.at<float>(0, 2) = p_sample[3 * j + 2];            float response = svm->predict(sampleMat);            if (response == 1)                desImg.at<Vec3b>(i, j) = white;            else if (response == -1)                desImg.at<Vec3b>(i, j) = black;        }    }    imwrite("result.jpg", desImg);    imshow("resImg", desImg);    waitKey(0);    return 0;}

这里的白块就是我们选得目标区域。不知道是不是我参数选择不好，这里的分割效果步理想。

参考博客：利用SVM支持向量机对彩色图像进行分割并使用OpenCV进行实现
支持向量机通俗导论（理解SVM的三层境界）