Python图像处理（15）：SVM分类器

快乐虾

http://blog.csdn.net/lights_joy/

欢迎转载，但请保留作者信息

在opencv中支持SVM分类器，本文尝试在python中调用它。

和前面的贝叶斯分类器一样，SVM也遵循先训练再使用的方式，我们直接在贝叶斯分类器的测试代码上做简单修改，完成两类数据点的分类。

首先也是先创建训练用的数据，需要注意的是这里的train_label必须是整数类型，而不是float：

# 训练的点数train_pts = 30# 创建测试的数据点，2类# 以(-1.5, -1.5)为中心rand1 = np.ones((train_pts,2)) * (-2) + np.random.rand(train_pts, 2)print('rand1：')print(rand1)# 以(1.5, 1.5)为中心rand2 = np.ones((train_pts,2)) + np.random.rand(train_pts, 2)print('rand2:')print(rand2)# 合并随机点，得到训练数据train_data = np.vstack((rand1, rand2))train_data = np.array(train_data, dtype='float32')train_label = np.vstack( (np.zeros((train_pts,1), dtype='int32'), np.ones((train_pts,1), dtype='int32')))# 显示训练数据plt.figure(1)plt.plot(rand1[:,0], rand1[:,1], 'o')plt.plot(rand2[:,0], rand2[:,1], 'o')plt.plot(rand2[:,0], rand2[:,1], 'o')

类似这样的数据：

在得到训练数据后，接着创建一个SVM分类器并配置训练参数：

# 创建分类器svm = cv2.ml.SVM_create()svm.setType(cv2.ml.SVM_C_SVC)  # SVM类型svm.setKernel(cv2.ml.SVM_LINEAR) # 使用线性核svm.setC(1.0)

接着我们对此分类器进行训练：

# 训练ret = svm.train(train_data, cv2.ml.ROW_SAMPLE, train_label)

在训练完成后就可以使用测试数据进行预测了：

# 测试数据，20个点[-2,2]pt = np.array(np.random.rand(20,2) * 4 - 2, dtype='float32')(ret, res) = svm.predict(pt)print("res = ")print(res)

predict通过res返回得到一个20x1的数组，每一行对应一个输入点，计算得到的值就是分类的序号，在这里是0和1，我们取0.5为阈值进行分类并显示结果：

# 按label进行分类显示plt.figure(2)res = np.hstack((res, res))# 第一类type_data = pt[res < 0.5]type_data = np.reshape(type_data, (type_data.shape[0] / 2, 2))plt.plot(type_data[:,0], type_data[:,1], 'o')# 第二类type_data = pt[res >= 0.5]type_data = np.reshape(type_data, (type_data.shape[0] / 2, 2))plt.plot(type_data[:,0], type_data[:,1], 'o')plt.show()

看看最后的结果：

最后，通过svm. getSupportVectors获取支持向量。

# 支持向量vec = svm.getSupportVectors()print(vec)