OpenCV机器学习库函数--SVM
svm分类算法在opencv3中有了很大的变动,取消了CvSVMParams这个类,因此在参数设定上会有些改变。
opencv中的svm分类代码,来源于libsvm。
#include "opencv2/opencv.hpp"
using namespace cv;
using namespace cv::ml; int main(int, char**)
{
int width = , height = ;
Mat image = Mat::zeros(height, width, CV_8UC3); //创建窗口可视化 // 设置训练数据
int labels[] = { , -, , ,-,,-,,-,- };
Mat labelsMat(, , CV_32SC1, labels); float trainingData[][] = { { , }, { , }, { , }, { , }, { , },
{ , }, { , } , { , } , { , } , { , } };
Mat trainingDataMat(, , CV_32FC1, trainingData); // 创建分类器并设置参数
Ptr<SVM> model =SVM::create();
model->setType(SVM::C_SVC);
model->setKernel(SVM::LINEAR); //核函数 //设置训练数据
Ptr<TrainData> tData =TrainData::create(trainingDataMat, ROW_SAMPLE, labelsMat); // 训练分类器
model->train(tData); Vec3b green(, , ), blue(, , );
// Show the decision regions given by the SVM
for (int i = ; i < image.rows; ++i)
for (int j = ; j < image.cols; ++j)
{
Mat sampleMat = (Mat_<float>(, ) << j, i); //生成测试数据
float response = model->predict(sampleMat); //进行预测,返回1或-1 if (response == )
image.at<Vec3b>(i, j) = green;
else if (response == -)
image.at<Vec3b>(i, j) = blue;
} // 显示训练数据
int thickness = -;
int lineType = ;
Scalar c1 = Scalar::all(); //标记为1的显示成黑点
Scalar c2 = Scalar::all(); //标记成-1的显示成白点
//绘图时,先宽后高,对应先列后行
for (int i = ; i < labelsMat.rows; i++)
{
const float* v = trainingDataMat.ptr<float>(i); //取出每行的头指针
Point pt = Point((int)v[], (int)v[]);
if (labels[i] == )
circle(image, pt, , c1, thickness, lineType);
else
circle(image, pt, , c2, thickness, lineType); } imshow("SVM Simple Example", image);
waitKey(); }
结果:
如果只是简单的点分类,svm的参数设置就这么两行就行了,但如果是其它更为复杂的分类,则需要设置更多的参数。
Ptr<SVM> svm = SVM::create(); //创建一个分类器
svm->setType(SVM::C_SVC); //设置svm类型
由于opencv中的svm分类算法是根据libsvm改写而来的,libsvm是台湾一学者编写的matlab版本的svm算法,所以参数的设定的也大致相同。svm类型除了C_SVC之外,还有NU_SVC,ONE_CLASS,EPS_SVR,NU_SVR.
还有其它的参数,如
svm->setKernel(SVM::POLY); //设置核函数;
svm->setDegree(0.5);
svm->setGamma(1);
svm->setCoef0(1);
svm->setNu(0.5);
svm->setP(0);
svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER+TermCriteria::EPS, 1000, 0.01));
svm->setC(C);
如果前面svm类型选择的不同,后面的参数设置也不同,具体的设置可以了解一下libsvm的参数设置。具体介绍可参照 :libsvm参数说明
setTermCriteria是用来设置算法的终止条件, SVM训练的过程就是一个通过 迭代 方式解决约束条件下的二次优化问题,这里我们指定一个最大迭代次数和容许误差,以允许算法在适当的
条件下停止计算
参考: 在opencv3中实现机器学习之:利用svm(支持向量机)分类
支持向量机(SVM)介绍 (opencv教程)
OpenCV机器学习库函数--SVM的更多相关文章
- OpenCV中的SVM參数优化
SVM(支持向量机)是机器学习算法里用得最多的一种算法.SVM最经常使用的是用于分类,只是SVM也能够用于回归,我的实验中就是用SVM来实现SVR(支持向量回归). 对于功能这么强的算法,opencv ...
- OpenCV中的SVM参数优化
OpenCV中的SVM参数优化 svm参数优化opencv SVMSVR参数优化CvSVMopencv CvSVM SVM(支持向量机)是机器学习算法里用得最多的一种算法.SVM最常用的 ...
- opencv中的SVM图像分类(二)
opencv中的SVM图像分类(二) 标签: svm图像 2015-07-30 08:45 8296人阅读 评论(35) 收藏 举报 分类: [opencv应用](5) 版权声明:本文为博主原创文 ...
- 机器学习——支持向量机SVM
前言 学习本章节前需要先学习: <机器学习--最优化问题:拉格朗日乘子法.KKT条件以及对偶问题> <机器学习--感知机> 1 摘要: 支持向量机(SVM)是一种二类分类模型, ...
- 【机器学习】svm
机器学习算法--SVM 目录 机器学习算法--SVM 1. 背景 2. SVM推导 2.1 几何间隔和函数间隔 2.2 SVM原问题 2.3 SVM对偶问题 2.4 SMO算法 2.4.1 更新公式 ...
- 机器学习——支持向量机(SVM)之拉格朗日乘子法,KKT条件以及简化版SMO算法分析
SVM有很多实现,现在只关注其中最流行的一种实现,即序列最小优化(Sequential Minimal Optimization,SMO)算法,然后介绍如何使用一种核函数(kernel)的方式将SVM ...
- coursera机器学习-支持向量机SVM
#对coursera上Andrew Ng老师开的机器学习课程的笔记和心得: #注:此笔记是我自己认为本节课里比较重要.难理解或容易忘记的内容并做了些补充,并非是课堂详细笔记和要点: #标记为<补 ...
- 数学之路(3)-机器学习(3)-机器学习算法-SVM[7]
SVM是新近出现的强大的数据挖掘工具,它在文本分类.手写文字识别.图像分类.生物序列分析等实际应用中表现出非常好的性能.SVM属于监督学习算法,样本以属性向量的形式提供,所以输入空间是Rn的子集. 图 ...
- 机器学习算法 --- SVM (Support Vector Machine)
一.SVM的简介 SVM(Support Vector Machine,中文名:支持向量机),是一种非常常用的机器学习分类算法,也是在传统机器学习(在以神经网络为主的深度学习出现以前)中一种非常牛X的 ...
随机推荐
- python小脚本(18-11.10)-修改excle后批量生成,作用:导入数据时,系统做了不能导入重复数据时的限制时使用 -本来是小白,大神勿扰
from testcase.test_mokuai.operation_excle import OperationExcleimport shutil class test_daoru(): #一个 ...
- c++ primer 6 练习题 (非复习题)
第7章 7.13-1调和平均数 //7.13-1 excise.cpp 调和平均数 #include <iostream> double calculate(double a,double ...
- MapReduce 使用案例
MapReduce 使用案例 MapReduce在面试过程中出现的频率还是挺高的,尤其是数据挖掘等岗位.通常面试官会出一个大数据题目,需要被试者根据题目设计基于MapReduce的算法来解答.我在一个 ...
- [python][django学习篇][6]操作数据库
查询(取)数据 >>> Category.objects.all() <QuerySet [<Category: Category object>]> > ...
- LFTP下载远程文件
拓展阅读: https://linux.cn/article-5460-1.html
- OOP的三大特性------封装、继承、多态
封装 1.<1>类背后隐藏的思想是数据抽象和封装 <2>信息隐藏,隐藏对象的实现细节,不让外部直接访问到 将数据成员和成员函数一起包装到一个单元里,单元以类的形式实现 < ...
- rsync 使用小记
工作中遇到了有关rsync使用的问题,在这里记录下供有同样需求的人参考一下 先说下环境 服务端配置 pid file = /rsyncdata/rsyncd.pid port = 873 addres ...
- jQuery操作DOM基础 - 创建节点
案例:创建两个<li>元素节点,并且作为<ul>元素节点的子节点,添加到DOM树中 <!DOCTYPE html> <html lang="en&q ...
- [Gym101982M][思维好题][凸壳]Mobilization
[gym101982M][思维好题][凸壳]Mobilization 题目链接 20182019-acmicpc-pacific-northwest-regional-contest-div-1-en ...
- 节点流——FileReaderWriter
import java.io.File; import java.io.FileNotFoundException; import java.io.FileReader; import java.io ...