https://blog.csdn.net/wfh2015/article/details/51163890
OpenCV3.0或OpenCV3.1的SVM操作
#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;
}
运行的效果如下：
为了保证代码可读性，代码没有用using namespace cv或using namespace cv::ml;之类的代码，全部都写完整的名称，命名空间+类名。比如设置SVM的核类型为线性，写成svm->setKernel(cv::ml::SVM::KernelTypes::LINEAR);。当然，这个只是一处地方，其他的请自己阅读。
代码的注意事项
虽然，大家的目标很明确：导入训练数据+label –> Mat, 训练，预测，显示这些目标。但是仍然避免不了代码错误。下面就是我遇到的代码的问题。
标签以及变成Mat的数据类型
其实，在本代码中出现了一种情况就是数据类型，下面均以标签为例：
这个是OpenCV3.0、OpenCV3.1正确的代码：
int labels[4] = { 1, -1, -1, -1 };
cv::Mat labelsMat(4, 1, CV_32SC1, labels);
下面是OpenCV 2.X 正确代码
float labels[4] = {1.0, -1.0, -1.0, -1.0};
Mat labelsMat(3, 1, CV_32FC1, labels);
如果将OpenCV 2.X的代码换到OpenCV 3.1、OpenCV3.0代码会有什么样子的结果呢？
这个很熟悉吧所以，如果傻乎乎的换，这个是行不通的。
下面对于label和labelMat按照不同的情况进行分析。
首先，这个labelMat和trainingMat到底能取哪几种类型？
下面，请看OpenCV3.1 源码中的一个部分：
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 );
}
}
为了方便起见，将这个函数的代码的其他部分删除了。首先解释一下：samples就是训练的数据。response就是标签。通过上面，我们知道再来用Mat的时候，只能用CV_32F和CV_32S。所以说，如果这些矩阵不能写什么CV_8UC1之类的了，这个是错误的。
假设我们写其他的情况，比如
label为int，labelsMat为CV_32SC1
这个是正确的。
label为float，labelsMat为CV_32FC1
这个会出现错误，这个我还没有分析出来是什么原因。错误的截图如下：。
下面的错误均表示为截图所示的错误。
label为int，labelsMat为CV_32FC1
同样的，这个是错误。当我们用Imagewatch插件去观察labelsMat的值的时候发现这个labelsMat的值为。好吧，这个很明显了。
label为float，labelsMat为CV_32SC1
这个是可以运行的，但是结果肯定是错误的。同样的，值不对。
---------------------
作者：wfh2015
来源：CSDN
原文：https://blog.csdn.net/wfh2015/article/details/51163890
版权声明：本文为博主原创文章，转载请附上博文链接！
网友评论