talk is cheap, show you the code:

/************************************************************************/
/* Name   : OpenCV SVM test                                             */
/* Date   : 2015/11/7                                                   */
/* Author : aban                                                        */
/************************************************************************/
// note : the code is modified from internet. 

#include <iostream>
#include <cmath>
#include <string>
using namespace std;

#include <opencv2/opencv.hpp>
#include <opencv2/ml.hpp>
using namespace cv;

bool plotSupportVectors = true;
int numTrainingPoints = 200;
int numTestPoints = 2000;
int size = 200;
int eq = 0;

// accuracy
float evaluate(cv::Mat& predicted, cv::Mat& actual) {
  assert(predicted.rows == actual.rows);
  int t = 0;
  int f = 0;
  for (int i = 0; i < actual.rows; i++) {
    float p = predicted.at<float>(i, 0);
    float a = actual.at<float>(i, 0);
    if ((p >= 0.0 && a >= 0.0) || (p <= 0.0 &&  a <= 0.0)) {
      t++;
    }
    else {
      f++;
    }
  }
  return (t * 1.0) / (t + f);
}

// plot data and class
void plot_binary(cv::Mat& data, cv::Mat& classes, string name) {
  cv::Mat plot(size, size, CV_8UC3);
  plot.setTo(cv::Scalar(255.0, 255.0, 255.0));
  for (int i = 0; i < data.rows; i++) {

    float x = data.at<float>(i, 0) * size;
    float y = data.at<float>(i, 1) * size;

    if (classes.at<float>(i, 0) > 0) {
      cv::circle(plot, Point(x, y), 2, CV_RGB(255, 0, 0), 1);
    }
    else {
      cv::circle(plot, Point(x, y), 2, CV_RGB(0, 255, 0), 1);
    }
  }
  cv::namedWindow(name, CV_WINDOW_KEEPRATIO);
  cv::imshow(name, plot);
}

// function to learn
int f(float x, float y, int equation) {
  switch (equation) {
  case 0:
    return y > sin(x * 10) ? -1 : 1;
    break;
  case 1:
    return y > cos(x * 10) ? -1 : 1;
    break;
  case 2:
    return y > 2 * x ? -1 : 1;
    break;
  case 3:
    return y > tan(x * 10) ? -1 : 1;
    break;
  default:
    return y > cos(x * 10) ? -1 : 1;
  }
}

// label data with equation
cv::Mat labelData(cv::Mat points, int equation) {
  cv::Mat labels(points.rows, 1, CV_32FC1);
  for (int i = 0; i < points.rows; i++) {
    float x = points.at<float>(i, 0);
    float y = points.at<float>(i, 1);
    labels.at<float>(i, 0) = f(x, y, equation);
  }
  return labels;
}

void svm(cv::Mat& trainingData, cv::Mat& trainingClasses, cv::Mat& testData, cv::Mat& testClasses) {

  Mat traning_label(trainingClasses.rows, 1, CV_32SC1);
  for (int i = 0; i < trainingClasses.rows; i++){
    traning_label.at<int>(i, 0) = trainingClasses.at<float>(i, 0);
  }

  cv::Ptr<cv::ml::SVM> svm = ml::SVM::create();
  svm->setType(ml::SVM::Types::C_SVC);
  svm->setKernel(ml::SVM::KernelTypes::RBF);
  //svm->setDegree(0);  // for poly
  svm->setGamma(20);  // for poly/rbf/sigmoid
  //svm->setCoef0(0);   // for poly/sigmoid
  svm->setC(7);       // for CV_SVM_C_SVC, CV_SVM_EPS_SVR and CV_SVM_NU_SVR
  //svm->setNu(0);      // for CV_SVM_NU_SVC, CV_SVM_ONE_CLASS, and CV_SVM_NU_SVR
  //svm->setP(0);       // for CV_SVM_EPS_SVR

  svm->setTermCriteria(TermCriteria(TermCriteria::COUNT + TermCriteria::EPS, 1000, 1E-6));

  svm->train(trainingData, ml::SampleTypes::ROW_SAMPLE, traning_label);

  cv::Mat predicted(testClasses.rows, 1, CV_32F);

  svm->predict(testData, predicted);

  cout << "Accuracy_{SVM} = " << evaluate(predicted, testClasses) << endl;
  plot_binary(testData, predicted, "Predictions SVM");

  // plot support vectors
  if (plotSupportVectors) {
    cv::Mat plot_sv(size, size, CV_8UC3);
    plot_sv.setTo(cv::Scalar(255.0, 255.0, 255.0));

    Mat support_vectors = svm->getSupportVectors();
    for (int vecNum = 0; vecNum < support_vectors.rows; vecNum++){
      cv::circle(plot_sv, Point(support_vectors.row(vecNum).at<float>(0)*size, support_vectors.row(vecNum).at<float>(1)*size), 3, CV_RGB(0, 0, 0));
    }

    namedWindow("Support Vectors", CV_WINDOW_KEEPRATIO);
    cv::imshow("Support Vectors", plot_sv);
  }
}

int main(){

  cv::Mat trainingData(numTrainingPoints, 2, CV_32FC1);
  cv::Mat testData(numTestPoints, 2, CV_32FC1);

  cv::randu(trainingData, 0, 1);
  cv::randu(testData, 0, 1);

  cv::Mat trainingClasses = labelData(trainingData, eq);
  cv::Mat testClasses = labelData(testData, eq);

  plot_binary(trainingData, trainingClasses, "Training Data");
  plot_binary(testData, testClasses, "Test Data");

  svm(trainingData, trainingClasses, testData, testClasses);
  waitKey(0);
  return 0;
}

[code segments] OpenCV3.0 SVM with C++ interface的更多相关文章

  1. 【OpenCV】opencv3.0中的SVM训练 mnist 手写字体识别

    前言: SVM(支持向量机)一种训练分类器的学习方法 mnist 是一个手写字体图像数据库,训练样本有60000个,测试样本有10000个 LibSVM 一个常用的SVM框架 OpenCV3.0 中的 ...

  2. Atitit opencv3.0  3.1 3.2 新特性attilax总结

    Atitit opencv3.0  3.1 3.2 新特性attilax总结 1. 3.0OpenCV 3 的改动在哪?1 1.1. 模块构成该看哪些模块?2 2. 3.1新特性 2015-12-21 ...

  3. ubuntu14.04下安装cudnn5.1.3,opencv3.0,编译caffe及配置matlab和python接口过程记录

    已有条件: ubuntu14.04+cuda7.5+anaconda2(即python2.7)+matlabR2014a 上述已经装好了,开始搭建caffe环境. 1. 装cudnn5.1.3,参照: ...

  4. VS2013 Community配置OpenCV3.0.0

    配置环境:32位win7系统+VS2013 Community版本 1.首先从OpenCV官网上下载最新版本的OpenCV for Windows. 2.直接双击打开下载得到的opencv-3.0.0 ...

  5. opencv3.0 在 android 上的使用

    下载 OpenCV-3.0.0-android-sdk-1.zip 打开 intellj,新建立一个 android 工程后选择工程属性,导入模块(Import module from externa ...

  6. Caffe搭建:Ubuntu14.04 + CUDA7.0 + opencv3.0 + Matlab2014A

    从Hinton在science上发表深度学习训练开创新的文章以来,深度学习火了整整有3年多,而且随着新的硬件和算法的提出,深度学习正在应用于越来越多的领域,发挥其算法的优势. 实验室并没有赶上第一波深 ...

  7. opencv3.0中contrib模块的添加+实现SIFT/SURF算法

    平台:win10 x64 +VS 2015专业版 +opencv-3.x.+CMake+Anaconda3(python3.7.0) Issue说明:Opencv3.0版本已经发布了有一段时间,在这段 ...

  8. Windows环境中编译opencv3.0同时加入OPENCV_contrib库及解决遇到相关问题[contrib 必须要3.1以上的opencv才支持了]

    更新:现在contrib库必须要opencv3.1以上才能支持编译通过了. 方法和步骤还是和本篇文章一样. ############################################## ...

  9. OpenCV3 Ref SVM : cv::ml::SVM Class Reference

    OpenCV3  Ref SVM : cv::ml::SVM Class Reference OpenCV2: #include <opencv2/core/core.hpp>#inclu ...

随机推荐

  1. OpenGL中glUniform1i使用

    在OpenGL中使用glGetUniformLocation和glUniformxxx等函数时,要在之前启用对应的着色器程序,即调用glUseProgram.

  2. 发布你的程序包到Nuget

    1.新建一个.NET Standard 的类库项目 2.选择项目熟悉,在 package 栏目下填写我们的nuget包信息 3.选择我们的项目,点击"Pack" 打包 主要注意的是 ...

  3. ActiveMQ(七)_伪集群和主从高可用使用(转)

    本文转自: https://www.cnblogs.com/gossip/p/5977489.html 一.本文目的         介绍如何在同一台虚拟机上搭建高可用的Activemq服务,集群数量 ...

  4. BOM,Dom 回顾

    加给元素: offsetLeft(距离定位父级的距离)/offsetTop(距离定位父级的距离)/offsetWidth(可视宽度)/offHeight(可视高度) clientLeft(左边框宽度) ...

  5. “百度杯”CTF比赛 九月场_123(文件备份,爆破,上传)

    题目在i春秋ctf训练营 翻看源码,发现提示: 打开user.php,页面一片空白,参考大佬的博客才知道可能会存在user.php.bak的备份文件,下载该文件可以得到用户名列表 拿去burp爆破: ...

  6. 06_Linux目录文件操作命令3查找命令_我的Linux之路

    上几节已经大致跟大家说了在Linux端文件目录操作的一些命令 这篇随笔,我们继续来学习对文件目录的操作命令 对文件或目录进行查找的命令 find 指定目录下查找文件 find(选项)(参数) find ...

  7. [HNOI 2016]最小公倍数

    Description 题库链接 给定一张 \(N\) 个顶点 \(M\) 条边的无向图(顶点编号为 \(1,2,\cdots,n\) ),每条边上带有权值.所有权值都可以分解成 \(2^a\time ...

  8. [HEOI2014]大工程

    题目描述 国家有一个大工程,要给一个非常大的交通网络里建一些新的通道. 我们这个国家位置非常特殊,可以看成是一个单位边权的树,城市位于顶点上. 在 2 个国家 a,b 之间建一条新通道需要的代价为树上 ...

  9. bzoj 4945: [Noi2017]游戏

    Description Solution 首先我们发现一个位置如果不是 \('x'\),那么就只有两种选择 而 \('x'\) 的个数小于等于 \(8\),直接枚举是哪个就好了 然后就是 \(2-sa ...

  10. hdu 5739 割点

    Fantasia Time Limit: 10000/5000 MS (Java/Others)    Memory Limit: 65536/65536 K (Java/Others)Total S ...