支持向量机的另外两个类似的个程序
来源:互联网 发布:步摇 知乎 编辑:程序博客网 时间:2024/06/09 23:08
最近开始做的毕业设计得出了几个特征值,现在要做分类,朋友给了个例子,自己先存着。
//利用SVM解决2维空间向量的3级分类问题
#include "cv.h"
#include "highgui.h"
#include "ml.h"
using namespace std;
int main(int argc, char **argv)
{
int size = 400; //图像的长度和宽度
const int s = 100; //试验点个数(可更改!!)
int i, j, sv_num;
IplImage *img;
CvSVM svm = CvSVM(); //★★★
CvSVMParams param;
CvTermCriteria criteria;//停止迭代的标准
CvRNG rng = cvRNG(time(NULL));
CvPoint pts[s]; //定义1000个点
float data[s*2]; //点的坐标
int res[s]; //点的所属类
CvMat data_mat, res_mat;
CvScalar rcolor;
const float *support; // (1)图像区域的确保和初始化
img= cvCreateImage(cvSize(size, size), IPL_DEPTH_8U, 3);
cvZero(img); //确保画像区域,并清0(用黑色作初始化处理)。
// (2)学习数据的生成
for (i= 0; i< s; i++)
{
pts[i].x= cvRandInt(&rng) % size; //用随机整数赋值
pts[i].y= cvRandInt(&rng) % size;
if (pts[i].y> 50 * cos(pts[i].x* CV_PI/ 100) + 200)
{
cvLine(img, cvPoint(pts[i].x- 2, pts[i].y- 2), cvPoint(pts[i].x+ 2, pts[i].y+ 2), CV_RGB(255, 0, 0));
cvLine(img, cvPoint(pts[i].x+ 2, pts[i].y- 2), cvPoint(pts[i].x- 2, pts[i].y+ 2), CV_RGB(255, 0, 0));
res[i] = 1;
}
else
{
if (pts[i].x> 200)
{
cvLine(img, cvPoint(pts[i].x- 2, pts[i].y- 2), cvPoint(pts[i].x+ 2, pts[i].y+ 2), CV_RGB(0, 255, 0));
cvLine(img, cvPoint(pts[i].x+ 2, pts[i].y- 2), cvPoint(pts[i].x- 2, pts[i].y+ 2), CV_RGB(0, 255, 0));
res[i] = 2;
}
else
{
cvLine(img, cvPoint(pts[i].x- 2, pts[i].y- 2), cvPoint(pts[i].x+ 2, pts[i].y+ 2), CV_RGB(0, 0, 255));
cvLine(img, cvPoint(pts[i].x+ 2, pts[i].y- 2), cvPoint(pts[i].x- 2, pts[i].y+ 2), CV_RGB(0, 0, 255));
res[i] = 3;
}
}
} //生成2维随机训练数据,并将其值放在CvPoint数据类型的数组pts[ ]中。
// (3)学习数据的显示
cvNamedWindow("SVM", CV_WINDOW_AUTOSIZE);
cvShowImage("SVM", img);
cvWaitKey(0);
// (4)学习参数的生成
for (i= 0; i< s; i++)
{
data[i* 2] = float (pts[i].x) / size;
data[i* 2 + 1] = float (pts[i].y) / size;
}
cvInitMatHeader(&data_mat, s, 2, CV_32FC1, data);
cvInitMatHeader(&res_mat, s, 1, CV_32SC1, res);
criteria= cvTermCriteria(CV_TERMCRIT_EPS, 1000, FLT_EPSILON);
param= CvSVMParams (CvSVM::C_SVC, CvSVM::RBF, 10.0, 8.0, 1.0, 10.0, 0.5, 0.1, NULL, criteria);
/* SVM种类:CvSVM::C_SVC Kernel的种类:CvSVM::RBF degree:10.0(此次不使用) gamma:8.0 coef0:1.0(此次不使用) C:10.0 nu:0.5(此次不使用) p:0.1(此次不使用) 然后对训练数据正规化处理,并放在CvMat型的数组里。 */
//☆☆☆☆☆☆☆☆☆(5)SVM学习☆☆☆☆☆☆☆☆☆☆☆☆
svm.train(&data_mat, &res_mat, NULL, NULL, param);
//☆
//☆☆利用训练数据和确定的学习参数,进行SVM学习☆☆☆☆
//(6)学习结果的绘图
for (i= 0; i< size; i++)
{
for (j= 0; j< size; j++)
{
CvMat m; float ret = 0.0;
float a[] = { float (j) / size, float (i) / size };
cvInitMatHeader(&m, 1, 2, CV_32FC1, a);
ret= svm.predict(&m);
switch ((int) ret)
{
case 1: rcolor= CV_RGB(100, 0, 0);
break;
case 2: rcolor= CV_RGB(0, 100, 0);
break;
case 3: rcolor= CV_RGB(0, 0, 100);
break;
}
cvSet2D(img, i, j, rcolor);
}
} //为了显示学习结果,通过输入图像区域的所有像素(特征向量)并进行分类。然后对输入像素用所属等级的颜色绘图。
// (7)训练数据的再绘制
for (i= 0; i< s; i++)
{
CvScalar rcolor;
switch (res[i])
{
case 1: rcolor= CV_RGB(255, 0, 0);
break;
case 2: rcolor= CV_RGB(0, 255, 0);
break; case 3: rcolor= CV_RGB(0, 0, 255);
break;
}
cvLine(img, cvPoint(pts[i].x- 2, pts[i].y- 2), cvPoint(pts[i].x+ 2, pts[i].y+ 2), rcolor);
cvLine(img, cvPoint(pts[i].x+ 2, pts[i].y- 2), cvPoint(pts[i].x- 2, pts[i].y+ 2), rcolor);
} //将训练数据在结果图像上重复的绘制出来。
// (8)支持向量的绘制
sv_num= svm.get_support_vector_count();
for (i= 0; i< sv_num; i++)
{
support = svm.get_support_vector(i);
cvCircle(img, cvPoint((int) (support[0] * size), (int) (support[1] * size)), 5, CV_RGB(200, 200, 200));
} //用白色的圆圈对支持向量作标记。
// (9)图像的显示
cvNamedWindow("SVM", CV_WINDOW_AUTOSIZE);
cvShowImage("SVM", img);
cvWaitKey(0);
cvDestroyWindow("SVM");
cvReleaseImage(&img);
return 0; //显示实际处理结果的图像,直到某个键被按下为止。
}
***********************************************************************************
#include "stdafx.h"
#include <opencv2/opencv.hpp>
void drawCross(Mat &img, Point center, Scalar color)
{
int col = center.x > 2 ? center.x : 2;
int row = center.y> 2 ? center.y : 2;
line(img, Point(col -2, row - 2), Point(col + 2, row + 2), color);
line(img, Point(col + 2, row - 2), Point(col - 2, row + 2), color);
}
int newSvmTest(int rows, int cols, int testCount)
{
if(testCount > rows * cols)
return 0;
Mat img = Mat::zeros(rows, cols, CV_8UC3);
Mat testPoint = Mat::zeros(rows, cols, CV_8UC1);
Mat data = Mat::zeros(testCount, 2, CV_32FC1);
Mat res = Mat::zeros(testCount, 1, CV_32SC1);
//Create random test points
for (int i= 0; i< testCount; i++)
{
int row = rand() % rows;
int col = rand() % cols;
if(testPoint.at<unsigned char>(row, col) == 0)
{
testPoint.at<unsigned char>(row, col) = 1;
data.at<float>(i, 0) = float (col) / cols;
data.at<float>(i, 1) = float (row) / rows;
}
else
{
i--;
continue;
}
if (row > ( 50 * cos(col * CV_PI/ 100) + 200) )
{
drawCross(img, Point(col, row), CV_RGB(255, 0, 0));
res.at<unsigned int>(i, 0) = 1;
}
else
{
if (col > 200)
{
drawCross(img, Point(col, row), CV_RGB(0, 255, 0));
res.at<unsigned int>(i, 0) = 2;
}
else
{
drawCross(img, Point(col, row), CV_RGB(0, 0, 255));
res.at<unsigned int>(i, 0) = 3;
}
}
}
//Show test points
imshow("dst", img);
waitKey(0);
/////////////START SVM TRAINNING//////////////////
CvSVM svm = CvSVM();
CvSVMParams param;
CvTermCriteria criteria;
criteria= cvTermCriteria(CV_TERMCRIT_EPS, 1000, FLT_EPSILON);
param= CvSVMParams (CvSVM::C_SVC, CvSVM::RBF, 10.0, 8.0, 1.0, 10.0, 0.5, 0.1, NULL, criteria);
svm.train(data, res, Mat(), Mat(), param);
for (int i= 0; i< rows; i++)
{
for (int j= 0; j< cols; j++)
{
Mat m = Mat::zeros(1, 2, CV_32FC1);
m.at<float>(0,0) = float (j) / cols;
m.at<float>(0,1) = float (i) / rows;
float ret = 0.0;
ret = svm.predict(m);
Scalar rcolor;
switch ((int) ret)
{
case 1: rcolor= CV_RGB(100, 0, 0); break;
case 2: rcolor= CV_RGB(0, 100, 0); break;
case 3: rcolor= CV_RGB(0, 0, 100); break;
}
line(img, Point(j,i), Point(j,i), rcolor);
}
}
imshow("dst", img);
waitKey(0);
//Show support vectors
int sv_num= svm.get_support_vector_count();
for (int i= 0; i< sv_num; i++)
{
const float* support = svm.get_support_vector(i);
circle(img, Point((int) (support[0] * cols), (int) (support[1] * rows)), 5, CV_RGB(200, 200, 200));
}
imshow("dst", img);
waitKey(0);
return 0;
}
int main(int argc, char** argv)
{
return newSvmTest(400, 600, 100);
}
- 支持向量机的另外两个类似的个程序
- OpenCV的支持向量机SVM的程序
- OpenCV的支持向量机SVM的程序
- OpenCV的支持向量机SVM的程序
- OpenCV的支持向量机SVM的程序
- 【opencv机器学习】支持向量机SVM的程序
- 支持向量机的原理
- 支持向量机的发展
- 支持向量机的特点
- 支持向量机的理解
- 支持向量机的分类
- 支持向量机的理解
- 支持向量机的介绍
- 支持向量机的认识
- 支持向量机的理解
- 支持向量机的简介
- 支持向量机的几点注记
- 第一个cuda程序-基于VS2010+CUDA5.0 两个向量相加的GPU实现
- JSP关于用户安全退出的问题
- spring三种实例化bean的方式
- 奇虎360软件测试笔试题
- git 命令图解
- C++老鸟感谢C#
- 支持向量机的另外两个类似的个程序
- 【啊哈!算法】之一、排序算法比较
- 稀疏矩阵三元组存储
- ubuntu 12.04下安装matlab2012a
- C++学习笔记之结构、枚举
- c#删除 list中的元素
- HTML <span> 标签简介
- 关于C语言编程中include的用法
- 解决ASP.NET 4.0 "A potentially dangerous Request.Form value was detected from the client". 错误