SVM算法教科书（二）
来源：互联网 发布：python unicode 编辑：程序博客网 时间：2024/05/17 09:03
四、代码分析研究（代码来自网上）：
#include<iostream>#include<map>#include<opencv2/core/core.hpp>#include<opencv2/highgui/highgui.hpp>#include<string>#include<opencv2/ml/ml.hpp>#include<opencv2/features2d/features2d.hpp>#include<opencv2/nonfree/features2d.hpp>#include<opencv2/imgproc/imgproc.hpp>#include<fstream>//boost 库#include<boost/filesystem.hpp>#include"Config.h"using namespace cv;using namespace std;//定义一个boost库的命名空间namespace fs=boost::filesystem;using namespace fs;class categorizer{private : //从类目名称到数据的map映射 map<string,Mat> result_objects; //存放所有训练图片的BOW map<string,Mat> allsamples_bow; //从类目名称到训练图集的映射，关键字可以重复出现 multimap<string,Mat> train_set; // 训练得到的SVM CvSVM *stor_svms; //类目名称，也就是TRAIN_FOLDER设置的目录名 vector<string> category_name; //类目数目 int categories_size; //用SURF特征构造视觉词库的聚类数目 int clusters; //存放训练图片词典 Mat vocab; //特征检测器detectors与描述子提取器extractors 泛型句柄类Ptr Ptr<FeatureDetector> featureDecter; Ptr<DescriptorExtractor> descriptorExtractor; Ptr<BOWKMeansTrainer> bowtrainer; Ptr<BOWImgDescriptorExtractor> bowDescriptorExtractor; Ptr<FlannBasedMatcher> descriptorMacher; //构造训练集合 void make_train_set(); // 移除扩展名，用来讲模板组织成类目 string remove_extention(string);public: //构造函数 categorizer(int); // 聚类得出词典 void bulid_vacab(); //构造BOW void compute_bow_image(); //训练分类器 void trainSvm(); //将测试图片分类 void category_By_svm();};// 移除扩展名，用来讲模板组织成类目string categorizer::remove_extention(string full_name){ //find_last_of找出字符最后一次出现的地方 int last_index=full_name.find_last_of("."); string name=full_name.substr(0,last_index); return name;}// 构造函数categorizer::categorizer(int _clusters){ cout<<"开始初始化..."<<endl; clusters=_clusters; //初始化指针 featureDecter=new SurfFeatureDetector(); descriptorExtractor=new SurfDescriptorExtractor(); bowtrainer=new BOWKMeansTrainer(clusters); descriptorMacher=new FlannBasedMatcher(); bowDescriptorExtractor=new BOWImgDescriptorExtractor(descriptorExtractor,descriptorMacher); //boost库文件 遍历数据文件夹 directory_iterator(p)就是迭代器的起点，无参数的directory_iterator()就是迭代器的终点。 directory_iterator begin_iter(TEMPLATE_FOLDER); directory_iterator end_iter; //获取该目录下的所有文件名 for(;begin_iter!=end_iter;++begin_iter) { string filename=string(TEMPLATE_FOLDER)+begin_iter->path().filename().string(); string sub_category =remove_extention(begin_iter->path().filename().string()); //读入模板图片 Mat image=imread(filename); Mat templ_image; //存储原图模板 result_objects[sub_category]=image; } cout<<"初始化完毕..."<<endl; //读取训练集 make_train_set();}//构造训练集合void categorizer::make_train_set(){ cout<<"读取训练集..."<<endl; string categor; //递归迭代rescursive 直接定义两个迭代器：i为迭代起点（有参数），end_iter迭代终点 for(recursive_directory_iterator i(TRAIN_FOLDER),end_iter;i!=end_iter;i++) { // level == 0即为目录，因为TRAIN__FOLDER中设置如此 if(i.level()==0) { // 将类目名称设置为目录的名称 categor=(i->path()).filename().string(); category_name.push_back(categor); }else { // 读取文件夹下的文件。level 1表示这是一副训练图，通过multimap容器来建立由类目名称到训练图的一对多的映射 string filename=string(TRAIN_FOLDER)+categor+string("/")+(i->path()).filename().string(); Mat temp=imread(filename,CV_LOAD_IMAGE_GRAYSCALE); pair<string,Mat> p(categor,temp); //得到训练集 train_set.insert(p); } } categories_size=category_name.size(); cout<<"发现 "<<categories_size<<"种类别物体..."<<endl;}// 训练图片feature聚类，得出词典void categorizer::bulid_vacab(){ FileStorage vacab_fs(DATA_FOLDER "vocab.xml",FileStorage::READ); //如果之前已经生成好，就不需要重新聚类生成词典 if(vacab_fs.isOpened()) { cout<<"图片已经聚类，词典已经存在.."<<endl; vacab_fs.release(); } else { Mat vocab_descriptors; // 对于每一幅模板，提取SURF算子，存入到vocab_descriptors中 multimap<string,Mat> ::iterator i=train_set.begin(); for(;i!=train_set.end();i++) { vector<KeyPoint>kp; Mat templ=(*i).second; Mat descrip; featureDecter->detect(templ,kp); descriptorExtractor->compute(templ,kp,descrip); //push_back(Mat);在原来的Mat的最后一行后再加几行,元素为Mat时， 其类型和列的数目 必须和矩阵容器是相同的 vocab_descriptors.push_back(descrip); } cout << "训练图片开始聚类..." << endl; //将每一副图的Surf特征利用add函数加入到bowTraining中去,就可以进行聚类训练了 bowtrainer->add(vocab_descriptors); // 对SURF描述子进行聚类 vocab=bowtrainer->cluster(); cout<<"聚类完毕，得出词典..."<<endl; //以文件格式保存词典 FileStorage file_stor(DATA_FOLDER "vocab.xml",FileStorage::WRITE); file_stor<<"vocabulary"<<vocab; file_stor.release(); }}//构造bag of wordsvoid categorizer::compute_bow_image(){ cout<<"构造bag of words..."<<endl; FileStorage va_fs(DATA_FOLDER "vocab.xml",FileStorage::READ); //如果词典存在则直接读取 if(va_fs.isOpened()) { Mat temp_vacab; va_fs["vocabulary"] >> temp_vacab; bowDescriptorExtractor->setVocabulary(temp_vacab); va_fs.release(); }else { //对每张图片的特征点，统计这张图片各个类别出现的频率，作为这张图片的bag of words bowDescriptorExtractor->setVocabulary(vocab); } //如果bow.txt已经存在说明之前已经训练过了，下面就不用重新构造BOW string bow_path=string(DATA_FOLDER)+string("bow.txt"); std::ifstream read_file(bow_path); //如BOW已经存在，则不需要构造 if(read_file!=0) { cout<<"BOW 已经准备好..."<<endl; } else{ // 对于每一幅模板，提取SURF算子，存入到vocab_descriptors中 multimap<string,Mat> ::iterator i=train_set.begin(); for(;i!=train_set.end();i++) { vector<KeyPoint>kp; string cate_nam=(*i).first; Mat tem_image=(*i).second; Mat imageDescriptor; featureDecter->detect(tem_image,kp); bowDescriptorExtractor->compute(tem_image,kp,imageDescriptor); //push_back(Mat);在原来的Mat的最后一行后再加几行,元素为Mat时， 其类型和列的数目 必须和矩阵容器是相同的 allsamples_bow[cate_nam].push_back(imageDescriptor); } //简单输出一个文本，为后面判断做准备 std::ofstream ous(bow_path);//wei ous<<"flag"; cout<<"bag of words构造完毕..."<<endl; }}//训练分类器void categorizer::trainSvm(){ int flag=0; for(int k=0;k<categories_size;k++) { string svm_file_path=string(DATA_FOLDER) + category_name[k] + string("SVM.xml"); FileStorage svm_fil(svm_file_path,FileStorage::READ); //判断训练结果是否存在 if(svm_fil.isOpened()) { svm_fil.release(); continue; } else { flag=-1; break; } } //如果训练结果已经存在则不需要重新训练 if(flag!=-1) { cout<<"分类器已经训练完毕..."<<endl; }else { stor_svms=new CvSVM[categories_size]; //设置训练参数 SVMParams svmParams; svmParams.svm_type = CvSVM::C_SVC; svmParams.kernel_type = CvSVM::LINEAR; svmParams.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6); cout<<"训练分类器..."<<endl; for(int i=0;i<categories_size;i++) { Mat tem_Samples( 0, allsamples_bow.at( category_name[i] ).cols, allsamples_bow.at( category_name[i] ).type() ); Mat responses( 0, 1, CV_32SC1 ); tem_Samples.push_back( allsamples_bow.at( category_name[i] ) ); Mat posResponses( allsamples_bow.at( category_name[i]).rows, 1, CV_32SC1, Scalar::all(1) ); responses.push_back( posResponses ); for ( auto itr = allsamples_bow.begin(); itr != allsamples_bow.end(); ++itr ) { if ( itr -> first == category_name[i] ) { continue; } tem_Samples.push_back( itr -> second ); Mat response( itr -> second.rows, 1, CV_32SC1, Scalar::all( -1 ) ); responses.push_back( response ); } stor_svms[i].train( tem_Samples, responses, Mat(), Mat(), svmParams ); //存储svm string svm_filename=string(DATA_FOLDER) + category_name[i] + string("SVM.xml"); stor_svms[i].save(svm_filename.c_str()); } cout<<"分类器训练完毕..."<<endl; }}//对测试图片进行分类void categorizer::category_By_svm(){ cout<<"物体分类开始..."<<endl; Mat gray_pic; Mat threshold_image; string prediction_category; float curConfidence; directory_iterator begin_train(TEST_FOLDER); directory_iterator end_train; for(;begin_train!=end_train;++begin_train) { //获取该目录下的图片名 string train_pic_name=(begin_train->path()).filename().string(); string train_pic_path=string(TEST_FOLDER)+string("/")+(begin_train->path()).filename().string(); //读取图片 cout<<train_pic_path<<endl; Mat input_pic=imread(train_pic_path); imshow("输入图片：",input_pic); cvtColor(input_pic,gray_pic,CV_BGR2GRAY); // 提取BOW描述子 vector<KeyPoint>kp; Mat test; featureDecter->detect(gray_pic,kp); bowDescriptorExtractor->compute(gray_pic,kp,test); int sign=0; float best_score = -2.0f; for(int i=0;i<categories_size;i++) { string cate_na=category_name[i]; string f_path=string(DATA_FOLDER)+cate_na + string("SVM.xml"); FileStorage svm_fs(f_path,FileStorage::READ); //读取SVM.xml if(svm_fs.isOpened()) { svm_fs.release(); CvSVM st_svm; st_svm.load(f_path.c_str()); if(sign==0) { float score_Value = st_svm.predict( test, true ); float class_Value = st_svm.predict( test, false ); sign = ( score_Value < 0.0f ) == ( class_Value < 0.0f )? 1 : -1; } curConfidence = sign * st_svm.predict( test, true ); } else { if(sign==0) { float scoreValue = stor_svms[i].predict( test, true ); float classValue = stor_svms[i].predict( test, false ); sign = ( scoreValue < 0.0f ) == ( classValue < 0.0f )? 1 : -1; } curConfidence = sign * stor_svms[i].predict( test, true ); } if(curConfidence>best_score) { best_score=curConfidence; prediction_category=cate_na; } } //将图片写入相应的文件夹下 directory_iterator begin_iterater(RESULT_FOLDER); directory_iterator end_iterator; //获取该目录下的文件名 for(;begin_iterater!=end_iterator;++begin_iterater) { if(begin_iterater->path().filename().string()==prediction_category) { string filename=string(RESULT_FOLDER)+prediction_category+string("/")+train_pic_name; imwrite(filename,input_pic); } } //显示输出 namedWindow("Dectect Object"); cout<<"这张图属于： "<<prediction_category<<endl; imshow("Dectect Object",result_objects[prediction_category]); waitKey(0); }}int main(void){ int clusters=1000; categorizer c(clusters); //特征聚类 c.bulid_vacab(); //构造BOW c.compute_bow_image(); //训练分类器 c.trainSvm(); //将测试图片分类 c.category_By_svm(); return 0;} 0 0
- SVM算法教科书（二）
- SVM算法教科书（一）
- SVM学习总结（二）SVM算法流程图
- SVM学习总结（二）SVM算法流程图
- SVM算法（二）（有监督学习）
- 手把手教你实现SVM算法（二）
- 学习排序算法（二）：Pairwise方法之Ranking SVM
- 支持向量机SVM算法学习（二）
- SVM入门（二）
- SVM（二）
- 浅谈SVM（二）
- SVM（二）
- SVM分类器-LS-SVM（二）
- SVM（2）-算法
- 数据挖掘算法二——svm
- sql server 2000教科书(e二)
- Spark MLlib（二）SVM
- SVM学习笔记（二）
- JSON综合分析
- 网页优化：CSS和JS合并压缩
- EffectiveJava-7 J避免使用 finalizer方法
- UIImage渲染模式显示图片本身颜色
- 在Mac下开发Android,JavaEE的体验
- SVM算法教科书（二）
- Struts2
- About Storage summary（1）
- ViewPager懒加载的简单实现
- 速度测试（speed test）
- idea编译module时报attendance.unaligned.apk (拒绝访问。)
- C++-----直接声明对象PK new对象
- 深入分析Android (build/core/*.mk脚本)
- echo "$1"
