利用SVM解决2维空间向量的3级分类问题

来源：互联网发布：json.parse 用法编辑：程序博客网时间：2024/06/04 01:37

【原文：http://blog.csdn.net/firefight/article/details/6400060】

为了学习OPENCV SVM分类器, 参考网上的"利用SVM解决2维空间向量的分类问题"实现并改为C++代码，仅供参考

环境：OPENCV2.2 + VS2008

步骤：
1，生成随机的点，并按一定的空间分布将其归类
2，创建SVM并利用随机点样本进行训练
3，将整个空间按SVM分类结果进行划分，并显示支持向量

[cpp] view plaincopy
#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);  
/* 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。*/
    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);  
}  

学习样本：

分类：

支持向量：

0 0