OpenCV学习笔记(二十六)——小试SVM算法ml
来源:互联网 发布:迅雷网络 编辑:程序博客网 时间:2024/04/30 13:57
总感觉自己停留在码农的初级阶段,要想更上一层,就得静下心来,好好研究一下算法的东西。OpenCV作为一个计算机视觉的开源库,肯定不会只停留在数字图像处理的初级阶段,我也得加油,深入研究它的算法库。就从ml入手吧,最近做东西遇到随机森林,被搞的头大,深深感觉自己肚子里货太少,关键时刻调不出东西来。切勿浮躁,一点点研究吧。
这次就先介绍一下机器学习中的一个常用算法SVM算法,即支持向量机Support Vector Machine(SVM),是一种有监督学习方法,更多介绍请见维基百科http://zh.wikipedia.org/wiki/SVM。
OpenCV开发SVM算法是基于LibSVM软件包开发的,LibSVM是台湾大学林智仁(Lin Chih-Jen)等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包。用OpenCV使用SVM算法的大概流程是
1)设置训练样本集
需要两组数据,一组是数据的类别,一组是数据的向量信息。
2)设置SVM参数
利用CvSVMParams类实现类内的成员变量svm_type表示SVM类型:
CvSVM::C_SVC C-SVC
CvSVM::NU_SVC v-SVC
CvSVM::ONE_CLASS 一类SVM
CvSVM::EPS_SVR e-SVR
CvSVM::NU_SVR v-SVR
成员变量kernel_type表示核函数的类型:
CvSVM::LINEAR 线性:u‘v
CvSVM::POLY 多项式:(r*u'v + coef0)^degree
CvSVM::RBF RBF函数:exp(-r|u-v|^2)
CvSVM::SIGMOID sigmoid函数:tanh(r*u'v + coef0)
成员变量degree针对多项式核函数degree的设置,gamma针对多项式/rbf/sigmoid核函数的设置,coef0针对多项式/sigmoid核函数的设置,Cvalue为损失函数,在C-SVC、e-SVR、v-SVR中有效,nu设置v-SVC、一类SVM和v-SVR参数,p为设置e-SVR中损失函数的值,class_weightsC_SVC的权重,term_crit为SVM训练过程的终止条件。其中默认值degree = 0,gamma = 1,coef0 = 0,Cvalue = 1,nu = 0,p = 0,class_weights = 0
3)训练SVM
调用CvSVM::train函数建立SVM模型,第一个参数为训练数据,第二个参数为分类结果,最后一个参数即CvSVMParams
4)用这个SVM进行分类
调用函数CvSVM::predict实现分类
5)获得支持向量
除了分类,也可以得到SVM的支持向量,调用函数CvSVM::get_support_vector_count获得支持向量的个数,CvSVM::get_support_vector获得对应的索引编号的支持向量。
实现代码如下:
// step 1:float labels[4] = {1.0, -1.0, -1.0, -1.0};Mat labelsMat(3, 1, CV_32FC1, labels);float trainingData[4][2] = { {501, 10}, {255, 10}, {501, 255}, {10, 501} };Mat trainingDataMat(3, 2, CV_32FC1, trainingData);// step 2:CvSVMParams params;params.svm_type = CvSVM::C_SVC;params.kernel_type = CvSVM::LINEAR;params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6);// step 3:CvSVM SVM;SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);// step 4: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) << i,j);float response = SVM.predict(sampleMat);if (fabs(response-1.0) < 0.0001){image.at<Vec3b>(j, i) = green;}else if (fabs(response+1.0) < 0.001){image.at<Vec3b>(j, i) = blue;}}}// step 5:int c = SVM.get_support_vector_count();for (int i=0; i<c; i++){const float* v = SVM.get_support_vector(i);}
- OpenCV学习笔记(二十六)——小试SVM算法ml
- OpenCV学习笔记(二十六)——小试SVM算法ml
- OpenCV学习笔记(二十六)——小试SVM算法ml OpenCV学习笔记(二十七)——基于级联分类器的目标检测objdect OpenCV学习笔记(二十八)——光流法对运动目标跟踪Video Ope
- OpenCV学习笔记(四十五)——小试随机森林(random forest)算法ml
- OpenCV学习笔记(四十五)——小试随机森林(random forest)算法ml
- OpenCV学习笔记——小试随机森林(random forest)算法ml
- 小试SVM算法ml
- OpenCV学习笔记(二十四)——初探机器学习库ml
- ML--SVM学习小结(二)
- opencv学习笔记-ml模块中的svm使用
- opencv开发笔记(十六):人脸检测的方法——HOG+SVM,类“CascadeClassifier”
- opencv学习笔记(二十六)——相机标定之棋盘提取角点
- opencv ml模块 SVM使用笔记
- opencv学习笔记(二十六)直方图有关的操作
- OpenCV学习笔记(十六)——CamShift研究
- 机器学习基础(二十六)—— 将 SVM 推广到多类问题
- 【OpenCV学习笔记】二十六、轮廓特征属性及应用(三)——凸包
- Swift学习笔记(二十六)——扩展
- jQuery 1.7 新特性
- Gentoo准备
- 交换两个数
- TextFile的建立
- JQM页面载入方式的理解
- OpenCV学习笔记(二十六)——小试SVM算法ml
- 正则表达式详解
- 手机解绑
- PHP阶段2
- SQLite使用方法
- asp.net menu 控件样式 范例横向
- JQM脚本的引用及脚本写法经验
- Jdbc复习1
- MySQLi (一)