一:简单C++版本的链接: http://blog.csdn.net/kaka20080622/article/details/9039749

OpenCV的ml模块实现了人工神经网络(Artificial Neural Networks, ANN)最典型的多层感知器(multi-layer
perceptrons, MLP)模型
。由于ml模型实现的算法都继承自统一的CvStatModel基类,其训练和预测的接口都是train(),predict(),非常简单。

下面来看神经网络 CvANN_MLP 的使用~

定义神经网络及参数:

  1. //Setup the BPNetwork
  2. CvANN_MLP bp;
  3. // Set up BPNetwork's parameters
  4. CvANN_MLP_TrainParams params;
  5. params.train_method=CvANN_MLP_TrainParams::BACKPROP;
  6. params.bp_dw_scale=0.1;
  7. params.bp_moment_scale=0.1;
  8. //params.train_method=CvANN_MLP_TrainParams::RPROP;
  9. //params.rp_dw0 = 0.1;
  10. //params.rp_dw_plus = 1.2;
  11. //params.rp_dw_minus = 0.5;
  12. //params.rp_dw_min = FLT_EPSILON;
  13. //params.rp_dw_max = 50.;

可以直接定义CvANN_MLP神经网络,并设置其参数。 BACKPROP表示使用back-propagation的训练方法,RPROP即最简单的propagation训练方法。

使用BACKPROP有两个相关参数:bp_dw_scale即bp_moment_scale:

使用PRPOP有四个相关参数:rp_dw0, rp_dw_plus, rp_dw_minus, rp_dw_min, rp_dw_max:

上述代码中为其默认值。

设置网络层数,训练数据:

  1. // Set up training data
  2. float labels[3][5] = {{0,0,0,0,0},{1,1,1,1,1},{0,0,0,0,0}};
  3. Mat labelsMat(3, 5, CV_32FC1, labels);
  4.  
  5. float trainingData[3][5] = { {1,2,3,4,5},{111,112,113,114,115}, {21,22,23,24,25} };
  6. Mat trainingDataMat(3, 5, CV_32FC1, trainingData);
  7. Mat layerSizes=(Mat_<int>(1,5) << 5,2,2,2,5);
  8. bp.create(layerSizes,CvANN_MLP::SIGMOID_SYM);//CvANN_MLP::SIGMOID_SYM
  9. //CvANN_MLP::GAUSSIAN
  10. //CvANN_MLP::IDENTITY
  11. bp.train(trainingDataMat, labelsMat, Mat(),Mat(), params);

layerSizes设置了有三个隐含层的网络结构:输入层,三个隐含层,输出层。输入层和输出层节点数均为5,中间隐含层每层有两个节点。

create第二个参数可以设置每个神经节点的激活函数,默认为CvANN_MLP::SIGMOID_SYM,即Sigmoid函数,同时提供的其他激活函数有Gauss和阶跃函数。

使用训练好的网络结构分类新的数据:

然后直接使用predict函数,就可以预测新的节点:

  1. Mat sampleMat = (Mat_<float>(1,5) << i,j,0,0,0);
  2. Mat responseMat;
  3. bp.predict(sampleMat,responseMat);

完整程序代码:

  1. int CCvMLP::main()
  2. {
  3. //Setup the BPNetwork
  4. CvANN_MLP bp;
  5. // Set up BPNetwork's parameters
  6. CvANN_MLP_TrainParams params;
  7. params.train_method=CvANN_MLP_TrainParams::BACKPROP;
  8. params.bp_dw_scale=0.1;
  9. params.bp_moment_scale=0.1;
  10. //params.train_method=CvANN_MLP_TrainParams::RPROP;
  11. //params.rp_dw0 = 0.1;
  12. //params.rp_dw_plus = 1.2;
  13. //params.rp_dw_minus = 0.5;
  14. //params.rp_dw_min = FLT_EPSILON;
  15. //params.rp_dw_max = 50.;
  16.  
  17. // Set up training data
  18. float labels[3][5] = {{0,0,0,0,0},{1,1,1,1,1},{0,0,0,0,0}};
  19. Mat labelsMat(3, 5, CV_32FC1, labels);
  20.  
  21. float trainingData[3][5] = { {1,2,3,4,5},{111,112,113,114,115}, {21,22,23,24,25} };
  22. Mat trainingDataMat(3, 5, CV_32FC1, trainingData);
  23. Mat layerSizes=(Mat_<int>(1,5) << 5,2,2,2,5);
  24. bp.create(layerSizes,CvANN_MLP::SIGMOID_SYM);//CvANN_MLP::SIGMOID_SYM
  25. //CvANN_MLP::GAUSSIAN
  26. //CvANN_MLP::IDENTITY
  27. bp.train(trainingDataMat, labelsMat, Mat(),Mat(), params);
  28.  
  29. // Data for visual representation
  30. int width = 512, height = 512;
  31. Mat image = Mat::zeros(height, width, CV_8UC3);
  32. Vec3b green(0,255,0), blue (255,0,0);
  33. // Show the decision regions given by the SVM
  34. for (int i = 0; i < image.rows; ++i)
  35. for (int j = 0; j < image.cols; ++j)
  36. {
  37. Mat sampleMat = (Mat_<float>(1,5) << i,j,0,0,0);
  38. Mat responseMat;
  39. bp.predict(sampleMat,responseMat);
  40. float* p=responseMat.ptr<float>(0);
  41. int response=0;
  42. for(int i=0;i<5;i++){
  43. // cout<<p[i]<<" ";
  44. response+=p[i];
  45. }
  46. if (response >2)
  47. image.at<Vec3b>(j, i) = green;
  48. else
  49. image.at<Vec3b>(j, i) = blue;
  50. }
  51.  
  52. // Show the training data
  53. int thickness = -1;
  54. int lineType = 8;
  55. circle( image, Point(501, 10), 5, Scalar( 0, 0, 0), thickness, lineType);
  56. circle( image, Point(255, 10), 5, Scalar(255, 255, 255), thickness, lineType);
  57. circle( image, Point(501, 255), 5, Scalar(255, 255, 255), thickness, lineType);
  58. circle( image, Point( 10, 501), 5, Scalar(255, 255, 255), thickness, lineType);
  59.  
  60. imwrite("result.png", image); // save the image
  61.  
  62. imshow("BP Simple Example", image); // show it to the user
  63. waitKey(0);
  64. }

运行结果:

二:MLP用于图像分类:

二:MLP的Python版本:

PythonOpenCV:MLP用于最近邻搜索的更多相关文章

  1. SearchRequest用于与搜索文档、聚合、定制查询有关的任何操作

    SearchRequest用于与搜索文档.聚合.定制查询有关的任何操作,还提供了在查询结果的基于上,对于匹配的关键词进行突出显示的方法. 1,首先创建搜索请求对象:SearchRequest sear ...

  2. 统计学习方法——KD树最近邻搜索

    李航老师书上的的算法说明没怎么看懂,看了网上的博客,悟出一套循环(建立好KD树以后的最近邻搜索),我想应该是这样的(例子是李航<统计学习算法>第三章56页:例3.3): 步骤 结点查询标记 ...

  3. sklearn:最近邻搜索sklearn.neighbors

    http://blog.csdn.net/pipisorry/article/details/53156836 ball tree k-d tree也有问题[最近邻查找算法kd-tree].矩形并不是 ...

  4. 基于KD-Tree的最近邻搜索

    目标:查询目标点附近的10个最近邻邻居. load fisheriris x = meas(:,:); figure(); g1=gscatter(x(:,),x(:,),species); %spe ...

  5. Approximate Nearest Neighbors.接近最近邻搜索

    (一):次优最近邻:http://en.wikipedia.org/wiki/Nearest_neighbor_search 有少量修改:如有疑问,请看链接原文.....1.Survey:Neares ...

  6. SIFT算法总结:用于图像搜索

    原始文章链接:http://bubblexc.com/y2011/163/ 原文链接:http://blog.csdn.net/cserchen/article/details/5606859 关于三 ...

  7. 快速近似最近邻搜索库 FLANN - Fast Library for Approximate Nearest Neighbors

    What is FLANN? FLANN is a library for performing fast approximate nearest neighbor searches in high ...

  8. 从零开始一起学习SLAM | 点云平滑法线估计

    点击公众号"计算机视觉life"关注,置顶星标更快接收消息! 本文编程练习框架及数据获取方法见文末获取方式 菜单栏点击"知识星球"查看「从零开始学习SLAM」一 ...

  9. 搜索系统核心技术概述【1.5w字长文】

    前排提示:本文为综述性文章,梳理搜索相关技术,如寻求前沿应用可简读或略过 搜索引擎介绍 搜索引擎(Search Engine),狭义来讲是基于软件技术开发的互联网数据查询系统,用户通过搜索引擎查询所需 ...

随机推荐

  1. GlobalSign 域名型 SSL 证书

      GlobalSign 域名型 SSL 证书,支持通配符型,只验证域名所有权,属于DV 域名验证级SSL证书,无须递交书面审查资料,网上申请便捷有效率.提供40位/56位/128位,最高256位自适 ...

  2. 【学QT】1 - QT的安装

    1.解压文件在/usr/local/下 #tar zxvf qt-x11-free-3.3.8b.tar.gz -C /usr/local 更改文件夹名称为qt #mv /usr/local/qt-x ...

  3. RDS for MySQL查询缓存 (Query Cache) 的设置和使用

    https://help.aliyun.com/knowledge_detail/41717.html?spm=5176.7841698.2.11.aCvOXJ RDS for MySQL查询缓存 ( ...

  4. Python获取当前系统时间

    Python获取当前系统时间 import time #返回当前时间 def GetNowTime():     return time.strftime("%Y-%m-%d %H:%M:% ...

  5. BC ROUND 43# 03 HDU 5266

    弱啊弱啊,我用了扩展指令,然后大牛告诉我,只对VC++有用,对G++没用的..shit,三题就这样没了. 方法是使用ST在线算法,O(1)查询,然后用线段树维护..呃感觉这个好慢.看了大斌神的是用LC ...

  6. PHP发展的现状和前景

    本人小菜鸟一仅仅,为了自我学习和交流PHP(jquery,linux,lamp,shell,javascript,server)等一系列的知识.小菜鸟创建了一个群. 希望光临本博客的人能够进来交流.寻 ...

  7. POJ 1128 Frame Stacking(拓扑排序&#183;打印字典序)

    题意  给你一些矩形框堆叠后的鸟瞰图  推断这些矩形框的堆叠顺序  每一个矩形框满足每边都至少有一个点可见  输入保证至少有一个解 按字典序输出全部可行解 和上一题有点像  仅仅是这个要打印全部的可行 ...

  8. 【独立开发人员er Cocos2d-x实战 011】Cocos2dx 3.x命令行生成APK具体解释

    Cocos2d-x 3.6项目打包生成apk安卓应用文件,搭建安卓环境的步骤有点繁琐.但搭建一次之后,以后就会很快捷! 过程例如以下: 一.下载安卓环境:搭建Android环境须要用到Android ...

  9. ScheduleJobFactory

    /* * file name: ScheduleJobFactory.java * copyright: Unis Cloud Information Technology Co., Ltd. Cop ...

  10. HDU1010-奇偶剪枝(DFS)

    题目链接:Tempter of the Bone 第一次做剪枝的题目,剪枝,说实话研究的时间不短.好像没什么实质性的进展,遇到题目.绝对有会无从下手的感觉,剪枝越来越神奇了. .. . HDU1010 ...