https://blog.csdn.net/civiliziation/article/details/38761065
机器学习中的一个比较常用的算法SVM，Support vector machine，支持向量机，具体说明可以看维基百科http://zh.wikipedia.org/wiki/SVM。
本文主要对SVM在OpenCV中的应用进行一些说明。
1、首先是SVM的构造
原文这样说http://docs.opencv.org/modules/ml/doc/support_vector_machines.html#cvsvmparams
CvSVM::CvSVM
Default and training constructors.
C++: CvSVM::CvSVM()
C++: CvSVM::CvSVM(const Mat& trainData, const Mat& responses, const Mat& varIdx=Mat(), const Mat&sampleIdx=Mat(), CvSVMParams params=CvSVMParams() )¶
C++: CvSVM::CvSVM(const CvMat* trainData, const CvMat* responses, const CvMat* varIdx=0, const CvMat*sampleIdx=0, CvSVMParams params=CvSVMParams() )
Python: cv2.SVM([trainData, responses[, varIdx[, sampleIdx[, params]]]]) → <SVM object>
The constructors follow conventions of CvStatModel::CvStatModel(). See CvStatModel::train() for parameters descriptions.
加红的C++是常用到的一种构造。
使用一般是
// 对SVM进行训练
CvSVM SVM;
SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);
CvSVM::train
Trains an SVM.
C++: bool CvSVM::train(const Mat& trainData, const Mat& responses, const Mat& varIdx=Mat(), const Mat&sampleIdx=Mat(), CvSVMParams params=CvSVMParams() )
C++: bool CvSVM::train(const CvMat* trainData, const CvMat* responses, const CvMat* varIdx=0, const CvMat*sampleIdx=0, CvSVMParams params=CvSVMParams() )
Python: cv2.SVM.train(trainData, responses[, varIdx[, sampleIdx[, params]]]) → retval
The method trains the SVM model. It follows the conventions of the generic CvStatModel::train() approach with the following limitations:
Only the CV_ROW_SAMPLE data layout is supported.//一般是按照一行为一个样本，例如彩色图像，一般是一行表示（B G R ）的一个像素点，对于M*N的图像，可以reshape成MN*3的长条形Mat，这样一行就是一个像素点了
Input variables are all ordered.
Output variables can be either categorical (params.svm_type=CvSVM::C_SVC or params.svm_type=CvSVM::NU_SVC), or ordered (params.svm_type=CvSVM::EPS_SVR or params.svm_type=CvSVM::NU_SVR), or not required at all (params.svm_type=CvSVM::ONE_CLASS).//几个参数，还未细究
Missing measurements are not supported.
All the other parameters are gathered in the CvSVMParams structure.
2、其次是设置SVM的参数
这里在网上看到有不同的设置形式，具体可以看参数的说明吧http://www.cnblogs.com/justany/archive/2012/11/23/2784125.html
// 设置SVM参数
CvSVMParams params;
params.svm_type = CvSVM::C_SVC;
params.kernel_type = CvSVM::LINEAR;
params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6);
3、再然后就是对测试的样本进行predict了
CvSVM::predict
Predicts the response for input sample(s).
C++: float CvSVM::predict(const Mat& sample, bool returnDFVal=false ) const¶
C++: float CvSVM::predict(const CvMat* sample, bool returnDFVal=false ) const
C++: float CvSVM::predict(const CvMat* samples, CvMat* results) const
Python: cv2.SVM.predict(sample[, returnDFVal]) → retval
Python: cv2.SVM.predict_all(samples[, results]) → results
Parameters:
sample – Input sample for prediction.
samples – Input samples for prediction.
returnDFVal – Specifies a type of the return value. If true and the problem is 2-class classification then the method returns the decision function value that is signed distance to the margin, else the function returns a class label (classification) or estimated function value (regression).
results – Output prediction responses for corresponding samples.
float response = SVM.predict(sampleMat);
这里需要注意，sampleMat 是与上面CV_ROW_SAMPLE 相对应的，是一行sample，例如是（B G R）,response 是lables标记的两类的标记 1 或者-1 （或其他中表示都可以）
以上的部分在大部分帖子或是博客里都能看到，接下来讲一下本文的重点，就是利用SVM进行彩色图像的分割，当然，本文所用方法略显笨拙，由于不是计算机及相关专业出身，所用许多C/c++的潜在功能使用不畅，还需努力啊。言归正传
首先是对
SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);
中的trainingDataMat 和labelsMat 进行人为的获取和训练，并且对我们得到的目标点和背景点（姑且这么说）进行人为标记，可以将目标点标记为1，将背景点标记为-1。
例如以上这个图像，当然比较简单一些，只有蓝色图像和背景灰色图像。
目标颜色图像ForeImage， 大小为M*N, 背景图像BackImage,大小为m*n
那么trainingDataMat可以这样获取
trainingDataMat=ForeImage.reshape(1, ForeImage.rows*ForeImage.cols);//转换成1维，行数为M*N的长条矩阵，，每一行为一 // 个像素点
trainingDataMat.convertTo(trainingDataMat,CV_32FC1);//这里转换成浮点数，试过uchar的话在接下来的train时会报错
这样就将目标点转换成了向量了（可以这么理解），然后还有就是背景点，这里是将BackImage中的像素点push_back到trainingDataMat的后面了，只是需要记住，0~(M*N-1)是目标蓝色像素点，而M*N~(M*N+m*n-1)是背景像素点就好，因为我们要在之后的labelsMat中对trainingDataMat的每一个行向量进行标记，将0~(M*N-1)标记为1，将M*N~(M*N+m*n-1)标记为-1。
labelsMat=Mat(ForeImage.cols*ForeImage.rows + BackImage.cols*BackImage.rows,1, CV_32FC1, Scalar::all(1));
for (int h=0;h<BackImage.rows;h++)
{
uchar* p_BackImage = BackImage.ptr<uchar>(h);
for (int w=0;w<BackImage.cols;w++)
{
Mat m_pTemp(1,3,CV_32FC1);
m_pTemp.at<float>(0,0) = p_BackImage[3*w+0];
m_pTemp.at<float>(0,1) = p_BackImage[3*w+1];
m_pTemp.at<float>(0,2) = p_BackImage[3*w+2];
trainingDataMat.push_back(m_pTemp);
labelsMat.at<float>(ForeImage.cols*ForeImage.rows + h*BackImage.cols + w, 0) = -1;
}
}
实际上跟其他博客中讲的差不多，把http://www.cnblogs.com/justany/archive/2012/11/23/2784125.html中的小例子贴过来了
对本文中的完整工程项目VS2010+opencv2.4.2中实现，点击这儿可以下载。
最终实现的效果图还凑合。
对于简单的两类图像的场景，该文中的方法还是比较容易实现的，对于复杂的可以尝试高斯混合模型（GMM），还在学习中
---------------------
作者：chen_WM
来源：CSDN
原文：https://blog.csdn.net/civiliziation/article/details/38761065
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