[轉載] http://blog.csdn.net/wfh2015/article/details/51163890
OpenCV2.0 SVM代碼及其分析
OpenCV 在很久以前就集成了SVM的功能,現在OpenCV升級到了3.0和3.1了,很多人都不習慣了怎麼調用OpenCV中的SVM功能了。在之前OpenCV的SVM調用一直有個案例:首先,給定幾組訓練數據,並且給了label所對應的值。然後經過訓練之後,對圖像的各個位置進行預測是1還是-1。如果是1的話,用綠色來表示,如果是-1呢,用藍色表示。並且還畫出幾個支持向量。
下面給了OpenCV2.0 的SVM代碼(勿噴,直接從OpenCV官方網址複製下來的)
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/ml/ml.hpp>
using namespace cv;
int main()
{
// Data for visual representation
int width = 512, height = 512;
Mat image = Mat::zeros(height, width, CV_8UC3);
// Set up training data
float labels[4] = {1.0, -1.0, -1.0, -1.0};
Mat labelsMat(3, 1, CV_32FC1, labels);
float trainingData[4][2] = { {501, 10}, {255, 10}, {501, 255}, {10, 501} };
Mat trainingDataMat(3, 2, CV_32FC1, trainingData);
// Set up SVM's parameters
CvSVMParams params;
params.svm_type = CvSVM::C_SVC;
params.kernel_type = CvSVM::LINEAR;
params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6);
// Train the SVM
CvSVM SVM;
SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);
Vec3b green(0,255,0), blue (255,0,0);
// Show the decision regions given by the SVM
for (int i = 0; i < image.rows; ++i)
for (int j = 0; j < image.cols; ++j)
{
Mat sampleMat = (Mat_<float>(1,2) << i,j);
float response = SVM.predict(sampleMat);
if (response == 1)
image.at<Vec3b>(j, i) = green;
else if (response == -1)
image.at<Vec3b>(j, i) = blue;
}
// Show the training data
int thickness = -1;
int lineType = 8;
circle( image, Point(501, 10), 5, Scalar( 0, 0, 0), thickness, lineType);
circle( image, Point(255, 10), 5, Scalar(255, 255, 255), thickness, lineType);
circle( image, Point(501, 255), 5, Scalar(255, 255, 255), thickness, lineType);
circle( image, Point( 10, 501), 5, Scalar(255, 255, 255), thickness, lineType);
// Show support vectors
thickness = 2;
lineType = 8;
int c = SVM.get_support_vector_count();
for (int i = 0; i < c; ++i)
{
const float* v = SVM.get_support_vector(i);
circle( image, Point( (int) v[0], (int) v[1]), 6, Scalar(128, 128, 128), thickness, lineType);
}
imwrite("result.png", image); // save the image
imshow("SVM Simple Example", image); // show it to the user
waitKey(0);
}
OpenCV 3.0、OpenCV3.1 的SVM訓練代碼
下面給出了正確的,記住是正確的代碼:
#include "opencv2/opencv.hpp"
#include "opencv2/imgproc.hpp"
#include "opencv2/highgui.hpp"
#include "opencv2/ml.hpp"
//using namespace cv;
//using namespace cv::ml;
int main(int argc, char** argv)
{
// visual representation
int width = 512;
int height = 512;
cv::Mat image = cv::Mat::zeros(height, width, CV_8UC3);
// training data
int labels[4] = { 1, -1, -1, -1 };
float trainingData[4][2] = { { 501, 10 }, { 255, 10 }, { 501, 255 }, { 10, 501 } };
cv::Mat trainingDataMat(4, 2, CV_32FC1, trainingData);
cv::Mat labelsMat(4, 1, CV_32SC1, labels);
// initial SVM
cv::Ptr<cv::ml::SVM> svm = cv::ml::SVM::create();
svm->setType(cv::ml::SVM::Types::C_SVC);
svm->setKernel(cv::ml::SVM::KernelTypes::LINEAR);
svm->setTermCriteria(cv::TermCriteria(cv::TermCriteria::MAX_ITER, 100, 1e-6));
// train operation
svm->train(trainingDataMat, cv::ml::SampleTypes::ROW_SAMPLE, labelsMat);
// prediction
cv::Vec3b green(0, 255, 0);
cv::Vec3b blue(255, 0, 0);
for (int i = 0; i < image.rows; i++)
{
for (int j = 0; j < image.cols; j++)
{
cv::Mat sampleMat = (cv::Mat_<float>(1, 2) << j, i);
float respose = svm->predict(sampleMat);
if (respose == 1)
image.at<cv::Vec3b>(i, j) = green;
else if (respose == -1)
image.at<cv::Vec3b>(i, j) = blue;
}
}
int thickness = -1;
int lineType = cv::LineTypes::LINE_8;
cv::circle(image, cv::Point(501, 10), 5, cv::Scalar(0, 0, 0), thickness, lineType);
cv::circle(image, cv::Point(255, 10), 5, cv::Scalar(255, 255, 255), thickness, lineType);
cv::circle(image, cv::Point(501, 255), 5, cv::Scalar(255, 255, 255), thickness, lineType);
cv::circle(image, cv::Point(10, 501), 5, cv::Scalar(255, 255, 255), thickness, lineType);
thickness = 2;
lineType = cv::LineTypes::LINE_8;
cv::Mat sv = svm->getSupportVectors();
for (int i = 0; i < sv.rows; i++)
{
const float* v = sv.ptr<float>(i);
cv::circle(image, cv::Point((int)v[0], (int)v[1]), 6, cv::Scalar(128, 128, 128), thickness, lineType);
}
cv::imshow("SVM Simple Example", image);
cv::waitKey(0);
return 0;
}
運行的效果如下:
爲了保證代碼可讀性,代碼沒有用using namespace cv
或using
namespace cv::ml;
之類的代碼,全部都寫完整的名稱,命名空間+類名。比如設置SVM的核類型爲線性,寫成svm->setKernel(cv::ml::SVM::KernelTypes::LINEAR);
。當然,這個只是一處地方,其他的請自己閱讀。
代碼的注意事項
雖然,大家的目標很明確:導入訓練數據+label –> Mat, 訓練,預測,顯示這些目標。但是仍然避免不了代碼錯誤。下面就是我遇到的代碼的問題
標籤以及變成Mat的數據類型
其實,在本代碼中出現了一種情況就是數據類型,下面均以標籤爲例:
這個是OpenCV3.0、OpenCV3.1正確的代碼:
int labels[4] = { 1, -1, -1, -1 };
cv::Mat labelsMat(4, 1, CV_32SC1, labels);
下面是OpenCV 2.X 正確代碼
float labels[4] = {1.0, -1.0, -1.0, -1.0};
Mat labelsMat(3, 1, CV_32FC1, labels);
如果將OpenCV 2.X的代碼換到OpenCV 3.1、OpenCV3.0代碼會有什麼樣子的結果呢?
這個很熟悉吧所以,如果傻乎乎的換,這個是行不通的。
下面對於label
和labelMat
按照不同的情況進行分析。
首先,這個labelMat
和trainingMat
到底能取哪幾種類型?
下面,請看OpenCV3.1 源碼中的一個部分:
void setData(InputArray _samples, int _layout, InputArray _responses,
InputArray _varIdx, InputArray _sampleIdx, InputArray _sampleWeights,
InputArray _varType, InputArray _missing)
{
samples = _samples.getMat();
responses = _responses.getMat();
CV_Assert( samples.type() == CV_32F || samples.type() == CV_32S );
if( !responses.empty() )
{
CV_Assert( responses.type() == CV_32F || responses.type() == CV_32S );
}
}
爲了方便起見,將這個函數的代碼的其他部分刪除了。首先解釋一下:samples
就是訓練的數據。response
就是標籤。通過上面,我們知道再來用Mat的時候,只能用CV_32F
和CV_32S
。所以說,如果這些矩陣不能寫什麼CV_8UC1
之類的了,這個是錯誤的。
假設我們寫其他的情況,比如
label爲int,labelsMat爲CV_32SC1
這個是正確的。
label爲float,labelsMat爲CV_32FC1
這個會出現錯誤,這個我還沒有分析出來是什麼原因。錯誤的截圖如下:。
下面的錯誤均表示爲截圖所示的錯誤。
label爲int,labelsMat爲CV_32FC1
同樣的,這個是錯誤。當我們用Imagewatch插件去觀察labelsMat的值的時候發現這個labelsMat的值爲。好吧,這個很明顯了。
label爲float,labelsMat爲CV_32SC1
這個是可以運行的,但是結果肯定是錯誤的。同樣的,值不對。