1. SVM介紹

占個坑，以后再說

2. OpenCV3.x下SVM接口介紹

官方文檔

OpenCV3.x與OpenCV2.x中SVM的接口有了很大變化，在接口上使用了虛函數取代以前的定義。

下面介紹幾個常用的接口，及其參數意義。

2.1 初始化函數

定義如下：

CV_WRAP static Ptr create();

2.2 參數設置函數

然后是一些設置SVM參數的函數：

CV_WRAP virtual int getType() const = 0;

CV_WRAP virtual void setType(int val) = 0;

CV_WRAP virtual double getGamma() const = 0;

CV_WRAP virtual void setGamma(double val) = 0;

CV_WRAP virtual double getDegree() const = 0;

CV_WRAP virtual void setDegree(double val) = 0;

CV_WRAP virtual double getC() const = 0;

CV_WRAP virtual void setC(double val) = 0;

CV_WRAP virtual double getNu() const = 0;

CV_WRAP virtual void setNu(double val) = 0;

CV_WRAP virtual double getP() const = 0;

CV_WRAP virtual void setP(double val) = 0;

CV_WRAP virtual cv::Mat getClassWeights() const = 0;

CV_WRAP virtual void setClassWeights(const cv::Mat &val) = 0;

CV_WRAP virtual cv::TermCriteria getTermCriteria() const = 0;

CV_WRAP virtual void setTermCriteria(const cv::TermCriteria &val) = 0;

CV_WRAP virtual int getKernelType() const = 0;

CV_WRAP virtual void setKernel(int kernelType) = 0;

具體的作用可以參考OpenCV文檔，這里只介紹兩個常用的函數：

//設置SVM類型

CV_WRAP virtual int getType() const = 0;

這個函數用于設置SVM類型，OpenCV提供了五種類型：

Types {

//C類支持向量分類機。 n類分組 (n≥2)，容許用異常值處罰因子C進行不完全分類。

C_SVC =100,

//$v$類支持向量機

NU_SVC =101,

//單分類器，所有的練習數據提取自同一個類里，

//然后SVM建樹了一個分界線以分別該類在特點空間

//中所占區域和其它類在特點空間中所占區域。

ONE_CLASS =102,

EPS_SVR =103,

NU_SVR =104

}

一般我們使用SVM進行二分類或者多分類任務，選擇第一種SVM::C_SVC即可。

還有一個函數就是：

CV_WRAP virtual void setKernel(int kernelType) = 0;

這個函數用于設置SVM的核函數類型，我們知道，通過選擇SVM的核函數可以使SVM處理高階、非線性問題。OpenCV提供幾種核函數：

enum KernelTypes {

/** Returned by SVM::getKernelType in case when custom kernel has been set */

CUSTOM=-1,

//線性核

LINEAR=0,

//多項式核

POLY=1,

//徑向基核(高斯核)

RBF=2,

//sigmoid核

SIGMOID=3,

//指數核，與高斯核類似

CHI2=4,

//直方圖核

INTER=5

};

一般情況下使用徑向基核可以很好處理大部分情況。

2.3 訓練函數

OpenCV3.x中SVM的提供了訓練函數也與2.x不同，如下：

virtual bool trainAuto( const Ptr& data, int kFold = 10,

ParamGrid Cgrid = getDefaultGrid(C),

ParamGrid gammaGrid = getDefaultGrid(GAMMA),

ParamGrid pGrid = getDefaultGrid(P),

ParamGrid nuGrid = getDefaultGrid(NU),

ParamGrid coeffGrid = getDefaultGrid(COEF),

ParamGrid degreeGrid = getDefaultGrid(DEGREE),

bool balanced=false) = 0;

bool trainAuto (InputArray samples, int layout, InputArray responses,

int kFold=10, Ptr< ParamGrid > Cgrid=SVM::getDefaultGridPtr(SVM::C),

Ptr< ParamGrid > gammaGrid=SVM::getDefaultGridPtr(SVM::GAMMA),

Ptr< ParamGrid > pGrid=SVM::getDefaultGridPtr(SVM::P),

Ptr< ParamGrid > nuGrid=SVM::getDefaultGridPtr(SVM::NU),

Ptr< ParamGrid > coeffGrid=SVM::getDefaultGridPtr(SVM::COEF),

Ptr< ParamGrid > degreeGrid=SVM::getDefaultGridPtr(SVM::DEGREE),

bool balanced=false)

trainAuto可以在訓練過程中自動優化2.2中的那些參數，而使用train函數時，參數被固定，所以推薦使用trainAuto函數。

在準備訓練數據的時候，有下面幾點需要注意，否則函數會報錯

SVM的訓練函數是ROW_SAMPLE類型的，也就是說，送入SVM訓練的特征需要reshape成一個行向量，所有訓練數據全部保存在一個Mat中，一個訓練樣本就是Mat中的一行，最后還要講這個Mat轉換成CV_32F類型，例如，如果有\(k\)個樣本，每個樣本原本維度是\((h, w)\)，則轉換后Mat的維度為\((k, h * w)\)

對于多分類問題，label矩陣的行數要與樣本數量一致，也就是每個樣本要在label矩陣中有一個對應的標簽，label的列數為1，因為對于一個樣本，SVM輸出一個值，我們在訓練前需要做的就是設計這個值與樣本的對應關系。對于有\(k\)個樣本的情況，label的維度是\((k, 1)\)

2.4 預測函數

函數定義如下：

float predict(cv::InputArrat samples, cv::OutputArray results = noArray(), int flags = 0) const;

其中samples就是需要預測的樣本，這里樣本同樣要轉換成ROW_SAMPLE和CV_32F格式，對于單個測試樣本的情況，預測結果直接通過函數返回值返回，而如果samples中有多個樣本，就需要穿進result參數，預測結果以列向量的方式保存在result數組中。假如有\(k\)個樣本，每個樣本原本的維度為\((h, w)\)，則samples的維度為\((k, h * w)\)，最終預測結果result維度為\((k, 1)\)

3. 例程

下面上代碼：

/*

* 把圖片從vector格式轉換成SVM的RAW_SAMPLE格式

*/

void transform(const vector &split, Mat &testData)

{

for (auto it = split.begin(); it != split.end(); it++){

Mat tmp;

resize(*it, tmp, Size(28, 28));

testData.push_back(tmp.reshape(0, 1));

}

testData.convertTo(testData, CV_32F);

}

/*

* 從文件list.txt中讀取測試數據和標簽，輸出SVM的Mat格式

*/

void get_data(string path, Mat &trainData, Mat &trainLabels)

{

fstream io(path, ios::in);

if (!io.is_open()){

cout << "file open error in path : " << path << endl;

exit(0);

}

while (!io.eof())

{

string msg;

io >> msg;

trainData.push_back(imread(msg, 0).reshape(0, 1));

io >> msg;

int idx = msg[0] - '0';

//trainLabels.push_back(Mat_(1, 1) << idx); //用這種方式會報錯，原因尚且不明

trainLabels.push_back(Mat(1, 1, CV_32S, &idx));

}

trainData.convertTo(trainData, CV_32F);

}

/*

* 訓練SVM

*/

void svm_train(Ptr &model, Mat &trainData, Mat &trainLabels)

{

model->setType(SVM::C_SVC); //SVM類型

model->setKernel(SVM::LINEAR); //核函數，這里使用線性核

Ptr tData = TrainData::create(trainData, ROW_SAMPLE, trainLabels);

cout << "SVM: start train ..." << endl;

model->trainAuto(tData);

cout << "SVM: train success ..." << endl;

}

/*

* 利用訓練好的SVM預測

*/

void svm_pridect(Ptr &model, Mat test)

{

Mat result;

float rst = model->predict(test, result);

for (auto i = 0; i < result.rows; i++){

cout << result.at(i, 0);

}

}

int main(int argc, const char** argv)

{

fstream io;

io.open("test_list.txt", ios::in);

string train_path = "train_list.txt";

vector test_set;

get_test(io, test_set);

Ptr model = SVM::create();

Mat trainData, trainLabels;

get_data(train_path, trainData, trainLabels);

svm_train(model, trainData, trainLabels);

Mat testData;

transform(test_set, testData);

svm_pridect(model, testData);

}

trian_list.txt文件格式是這樣的：

D:\ImgPro\Project\for\char\code\beta00\train_data\0\0-1.jpg0

D:\ImgPro\Project\for\char\code\beta00\train_data\0\0-2.jpg0

每行前一段表示訓練圖片地址，最后的數字表示這個圖片對應標簽

test_list.txt中格式與train_list.txt差不多，只是沒有了標簽。

總結

以上是生活随笔為你收集整理的svm图片多分类python代码_[OpenCV随笔]-OpenCV3.x中SVM多分类使用（代码篇）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。