用opencv中svm分割图像
来源:互联网 发布:福克斯st轮毂数据 编辑:程序博客网 时间:2024/06/06 14:13
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)
阅读全文
0 0
- 用opencv中svm分割图像
- opencv用金字塔cvPyrSegmentation实现图像分割
- opencv-用分水岭算法进行图像分割
- opencv 图像分割
- opencv 金字塔图像分割
- opencv 金字塔图像分割
- opencv图像分割
- opencv 金字塔图像分割
- opencv 金字塔图像分割
- 基于OpenCV 图像分割
- opencv图像分割
- 【OpenCV】图像分割
- 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
- opencv 图像阈值分割图像
- opencv中的SVM图像分类
- OpenCV函数cvWatershed图像分割中分水岭算法
- OpenCV函数cvWatershed图像分割中分水岭算法
- OpenCV中通过滑动条阈值分割多通道图像
- hdu 6092 Rikka with Subset(思路)
- 在myeclipse中建立与sqlserver的连接
- file输入框无法清空
- Android注解--@hide
- Git更改分支名字指令
- 用opencv中svm分割图像
- Java动态绑定机制的底层实现
- 微信开发(一)----成为开发者
- mysql5.6增量备份
- 是的,要在这里做好记录。
- Java Collection框架详解
- 遇到Linux系统安装时窗口过大,按钮点不到,该怎么解决
- 中企动力升级 “管家服务”以防中小企业受骗
- Ubuntu下安装GlusterFS