【模式识别】OpenCV中使用神经网络 CvANN_MLP

来源：互联网发布：怎么查笔记本的mac地址编辑：程序博客网时间：2024/05/17 09:04

OpenCV的ml模块实现了人工神经网络（Artificial Neural Networks， ANN）最典型的多层感知器（multi-layer perceptrons, MLP）模型。由于ml模型实现的算法都继承自统一的CvStatModel基类，其训练和预测的接口都是train(),predict()，非常简单。

下面来看神经网络 CvANN_MLP 的使用~

定义神经网络及参数：

[cpp] view plaincopy
//Setup the BPNetwork  
    CvANN_MLP bp;   
    // Set up BPNetwork's parameters  
    CvANN_MLP_TrainParams params;  
    params.train_method=CvANN_MLP_TrainParams::BACKPROP;  
    params.bp_dw_scale=0.1;  
    params.bp_moment_scale=0.1;  
    //params.train_method=CvANN_MLP_TrainParams::RPROP;  
    //params.rp_dw0 = 0.1;   
    //params.rp_dw_plus = 1.2;   
    //params.rp_dw_minus = 0.5;  
    //params.rp_dw_min = FLT_EPSILON;   
    //params.rp_dw_max = 50.;  

可以直接定义CvANN_MLP神经网络，并设置其参数。 BACKPROP表示使用back-propagation的训练方法，RPROP即最简单的propagation训练方法。

使用BACKPROP有两个相关参数：bp_dw_scale即bp_moment_scale：

使用PRPOP有四个相关参数：rp_dw0, rp_dw_plus, rp_dw_minus, rp_dw_min, rp_dw_max：

上述代码中为其默认值。

设置网络层数，训练数据：

[cpp] view plaincopy
// Set up training data  
    float labels[3][5] = {{0,0,0,0,0},{1,1,1,1,1},{0,0,0,0,0}};  
    Mat labelsMat(3, 5, CV_32FC1, labels);  
  
    float trainingData[3][5] = { {1,2,3,4,5},{111,112,113,114,115}, {21,22,23,24,25} };  
    Mat trainingDataMat(3, 5, CV_32FC1, trainingData);  
    Mat layerSizes=(Mat_<int>(1,5) << 5,2,2,2,5);  
    bp.create(layerSizes,CvANN_MLP::SIGMOID_SYM);//CvANN_MLP::SIGMOID_SYM  
                                               //CvANN_MLP::GAUSSIAN  
                                               //CvANN_MLP::IDENTITY  
    bp.train(trainingDataMat, labelsMat, Mat(),Mat(), params);  

layerSizes设置了有三个隐含层的网络结构：输入层，三个隐含层，输出层。输入层和输出层节点数均为5，中间隐含层每层有两个节点。

create第二个参数可以设置每个神经节点的激活函数，默认为CvANN_MLP::SIGMOID_SYM，即Sigmoid函数，同时提供的其他激活函数有Gauss和阶跃函数。

使用训练好的网络结构分类新的数据：

然后直接使用predict函数，就可以预测新的节点：

[cpp] view plaincopy
Mat sampleMat = (Mat_<float>(1,5) << i,j,0,0,0);  
            Mat responseMat;  
            bp.predict(sampleMat,responseMat);  

完整程序代码：

[cpp] view plaincopy
//The example of using BPNetwork in OpenCV  
//Coded by L. Wei  
#include <opencv2/core/core.hpp>  
#include <opencv2/highgui/highgui.hpp>  
#include <opencv2/ml/ml.hpp>  
#include <iostream>  
#include <string>  
  
using namespace std;  
using namespace cv;  
  
int main()  
{  
    //Setup the BPNetwork  
    CvANN_MLP bp;   
    // Set up BPNetwork's parameters  
    CvANN_MLP_TrainParams params;  
    params.train_method=CvANN_MLP_TrainParams::BACKPROP;  
    params.bp_dw_scale=0.1;  
    params.bp_moment_scale=0.1;  
    //params.train_method=CvANN_MLP_TrainParams::RPROP;  
    //params.rp_dw0 = 0.1;   
    //params.rp_dw_plus = 1.2;   
    //params.rp_dw_minus = 0.5;  
    //params.rp_dw_min = FLT_EPSILON;   
    //params.rp_dw_max = 50.;  
  
    // Set up training data  
    float labels[3][5] = {{0,0,0,0,0},{1,1,1,1,1},{0,0,0,0,0}};  
    Mat labelsMat(3, 5, CV_32FC1, labels);  
  
    float trainingData[3][5] = { {1,2,3,4,5},{111,112,113,114,115}, {21,22,23,24,25} };  
    Mat trainingDataMat(3, 5, CV_32FC1, trainingData);  
    Mat layerSizes=(Mat_<int>(1,5) << 5,2,2,2,5);  
    bp.create(layerSizes,CvANN_MLP::SIGMOID_SYM);//CvANN_MLP::SIGMOID_SYM  
                                               //CvANN_MLP::GAUSSIAN  
                                               //CvANN_MLP::IDENTITY  
    bp.train(trainingDataMat, labelsMat, Mat(),Mat(), params);  
  
  
    // Data for visual representation  
    int width = 512, height = 512;  
    Mat image = Mat::zeros(height, width, CV_8UC3);  
    Vec3b green(0,255,0), blue (255,0,0);  
    // Show the decision regions given by the SVM  
    for (int i = 0; i < image.rows; ++i)  
        for (int j = 0; j < image.cols; ++j)  
        {  
            Mat sampleMat = (Mat_<float>(1,5) << i,j,0,0,0);  
            Mat responseMat;  
            bp.predict(sampleMat,responseMat);  
            float* p=responseMat.ptr<float>(0);  
            int response=0;  
            for(int i=0;i<5;i++){  
            //  cout<<p[i]<<" ";  
                response+=p[i];  
            }  
            if (response >2)  
                image.at<Vec3b>(j, i)  = green;  
            else    
                image.at<Vec3b>(j, i)  = blue;  
        }  
  
        // Show the training data  
        int thickness = -1;  
        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);  
  
        imwrite("result.png", image);        // save the image   
  
        imshow("BP Simple Example", image); // show it to the user  
        waitKey(0);  
  
}  