opencv_SVM学习(二)

这一次主要是实践部分.首先还是贴出源码.

#include<opencv2\opencv.hpp>
#include <vector>
#include<iostream>
using namespace std;
using namespace cv;

#define n 8           //n个训练样本
int main()
{
//【1】 设置标签
int labels
= { -1, 1, 1, -1,1,-1,1,1 };//这里比如说有n组训练数据,那么这里标签的大小就应该是n,那么，如何确定这里1和-1的个数呢？
Mat labelsMat(n, 1, CV_32SC1, labels);

//【2】 产生随机训练数据
//【2.1】首先分别产生n个0-512不同的随机数序列1和序列2
vector<float> x;
vector<float> y;
for (int i = 0; i < n; i++)
{
x.push_back(rand() % 512);
y.push_back(rand() % 512);
}
//【2.1】调试,输出x,y数组元素看一下
//for (int i = 0; i < x.size(); i++)
//{
//  cout << x[i] << " ";
//}
//cout << endl;
//for (int i = 0; i < y.size(); i++)
//{
//  cout << y[i] << " ";
//}
//cout << endl;
//【2.2】把生成的数放到训练数据中
float trainingData
[2];
for (int i = 0; i < n; i++)
{
trainingData[i][0] = { x[i] };
trainingData[i][1] = { y[i] };
}
//for (int i = 0; i < n; i++)
//{
//  for (int j = 0; j < 2; j++)
//  {
//      cout << trainingData[i][j] << " ";
//  }
//  cout << endl;
//}

Mat trainingDataMat(n, 2, CV_32FC1, trainingData);

//【3】训练初始化
Ptr<cv::ml::SVM> svm = cv::ml::SVM::create();
svm->setType(cv::ml::SVM::C_SVC);
svm->setKernel(cv::ml::SVM::LINEAR);
svm->setC(2.67);
svm->setGamma(5.383);
svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, 100, 1e-6));
//【4】开始训练
svm->train(trainingDataMat, cv::ml::ROW_SAMPLE, labelsMat);

//【5】可视化
int image_width = 512;
int image_height = 512;
Mat imageshow = Mat::zeros(image_height, image_width, CV_8UC3);
//【5.1】分类
Vec3b blue(255, 0, 0);//类别1
Vec3b green(0, 255, 0);//类别2
for (int i = 0; i < imageshow.rows; i++)
{
for (int j = 0; j < imageshow.cols; j++)
{
Mat sampleMat = (Mat_<float>(1, 2) << j, i);
float response = svm->predict(sampleMat);
if (response == 1)
imageshow.at<Vec3b>(i, j) = blue;
if (response == -1)
imageshow.at<Vec3b>(i, j) = green;
}
}
//【5.2】绘制训练点
int thickness = -1;
int lineType = 8;
Scalar color1 = Scalar::all(0); //标记为1的显示成黑点
Scalar color2 = Scalar::all(255); //标记成-1的显示成白点
for (int i = 0; i < labelsMat.rows; i++)
{
const float* v = trainingDataMat.ptr<float>(i); //取出每行的头指针
if (labels[i] == 1)
circle(imageshow, Point((int)v[0], (int)v[1]), 5, color1, thickness, lineType);
if (labels[i] == -1)
circle(imageshow, Point((int)v[0], (int)v[1]), 5, color2, thickness, lineType);
}
imshow("SVM显示", imageshow);

//【5.3】输出支持向量
Mat sv = svm->getSupportVectors();
cout << "支持向量为：" << endl;
for (int i = 0; i < sv.rows; ++i)
{
const float* v = sv.ptr<float>(i);
cout << v[0] << " " << v[1] << endl;
}

//【6】给出测试样本判断其类别
Mat result;
float testData[2][2] = { { 20, 11 }, { 310, 411 } };
Mat query(2, 2, CV_32FC1, testData);
svm->predict(query, result);
cout << "分类结果为：" << endl;
cout << result;

waitKey(-1);
return 0;
}

得到的结果如下图所示

结果分析

可以看到，我在一开始的时候假设有8个训练样本（n=8），于是设置了

int labels
= { -1, 1, 1, -1,1,-1,1,1 };

这里的n要与训练样本的数目相等，于是你这里需要设置8个标签，不能因为分两类你就设置为int labels
= { -1, 1 };否则在调用train的时候会报错。

可以看到，我这里设置了5个为1的标签，于是结果里出现了5个黑点，相应的就有3个白点。

注意：当你改变n时，比如我让n=6，那么相应的标签可以设置为

int labels
= { -1, 1, 1, -1,1,-1 };

那么，对应的结果就应该有三个黑点和三个白点。那么，验证一下



猜想是正确的。

这里我依旧不明白这里输出的支持向量是啥意思。。

代码注释：

我这里用下面的代码片来产生n个0-512不同的随机数序列1和序列2，放到vector容器里，为方便调试，可以将注释部分去掉来观察结果。然后，将这些数据放到trainingData的二维数组中，这样，就可以产生一组随机的训练样本点。同样，也可以观察trainingData里面的内容，看看想要的结果是不是对的。

//【2】 产生随机训练数据
//【2.1】首先分别产生n个0-512不同的随机数序列1和序列2
vector<float> x;
vector<float> y;
for (int i = 0; i < n; i++)
{
x.push_back(rand() % 512);
y.push_back(rand() % 512);
}
//【2.1】调试,输出x,y数组元素看一下
//for (int i = 0; i < x.size(); i++)
//{
//  cout << x[i] << " ";
//}
//cout << endl;
//for (int i = 0; i < y.size(); i++)
//{
//  cout << y[i] << " ";
//}
//cout << endl;
//【2.2】把生成的数放到训练数据中
float trainingData
[2];
for (int i = 0; i < n; i++)
{
trainingData[i][0] = { x[i] };
trainingData[i][1] = { y[i] };
}
//for (int i = 0; i < n; i++)
//{
//  for (int j = 0; j < 2; j++)
//  {
//      cout << trainingData[i][j] << " ";
//  }
//  cout << endl;
//}

结果如图：



剩下的应该就没别的问题了。。那来做个分三类的试试。。

赚点积分。。源码下载地址：

http://download.csdn.net/download/csdn_dzh/10190986

下面是试验结果：



从结果又可以看到，这里输出了3个支持向量。。这到底是个什么东西- -求解答