svm图片多分类python代码_[OpenCV随笔]-OpenCV3.x中SVM多分类使用（代码篇）
1. SVM介绍
占个坑，以后再说
2. OpenCV3.x下SVM接口介绍
官方文档
OpenCV3.x与OpenCV2.x中SVM的接口有了很大变化，在接口上使用了虚函数取代以前的定义。
下面介绍几个常用的接口，及其参数意义。
2.1 初始化函数
定义如下：
CV_WRAP static Ptr create();
2.2 参数设置函数
然后是一些设置SVM参数的函数：
CV_WRAP virtual int getType() const = 0;
CV_WRAP virtual void setType(int val) = 0;
CV_WRAP virtual double getGamma() const = 0;
CV_WRAP virtual void setGamma(double val) = 0;
CV_WRAP virtual double getDegree() const = 0;
CV_WRAP virtual void setDegree(double val) = 0;
CV_WRAP virtual double getC() const = 0;
CV_WRAP virtual void setC(double val) = 0;
CV_WRAP virtual double getNu() const = 0;
CV_WRAP virtual void setNu(double val) = 0;
CV_WRAP virtual double getP() const = 0;
CV_WRAP virtual void setP(double val) = 0;
CV_WRAP virtual cv::Mat getClassWeights() const = 0;
CV_WRAP virtual void setClassWeights(const cv::Mat &val) = 0;
CV_WRAP virtual cv::TermCriteria getTermCriteria() const = 0;
CV_WRAP virtual void setTermCriteria(const cv::TermCriteria &val) = 0;
CV_WRAP virtual int getKernelType() const = 0;
CV_WRAP virtual void setKernel(int kernelType) = 0;
具体的作用可以参考OpenCV文档，这里只介绍两个常用的函数：
//设置SVM类型
CV_WRAP virtual int getType() const = 0;
这个函数用于设置SVM类型，OpenCV提供了五种类型：
Types {
//C类支持向量分类机。 n类分组 (n≥2)，容许用异常值处罚因子C进行不完全分类。
C_SVC =100,
//$v$类支持向量机
NU_SVC =101,
//单分类器，所有的练习数据提取自同一个类里，
//然后SVM建树了一个分界线以分别该类在特点空间
//中所占区域和其它类在特点空间中所占区域。
ONE_CLASS =102,
EPS_SVR =103,
NU_SVR =104
}
一般我们使用SVM进行二分类或者多分类任务，选择第一种SVM::C_SVC即可。
还有一个函数就是：
CV_WRAP virtual void setKernel(int kernelType) = 0;
这个函数用于设置SVM的核函数类型，我们知道，通过选择SVM的核函数可以使SVM处理高阶、非线性问题。OpenCV提供几种核函数：
enum KernelTypes {
/** Returned by SVM::getKernelType in case when custom kernel has been set */
CUSTOM=-1,
//线性核
LINEAR=0,
//多项式核
POLY=1,
//径向基核(高斯核)
RBF=2,
//sigmoid核
SIGMOID=3,
//指数核，与高斯核类似
CHI2=4,
//直方图核
INTER=5
};
一般情况下使用径向基核可以很好处理大部分情况。
2.3 训练函数
OpenCV3.x中SVM的提供了训练函数也与2.x不同，如下：
virtual bool trainAuto( const Ptr& data, int kFold = 10,
ParamGrid Cgrid = getDefaultGrid(C),
ParamGrid gammaGrid = getDefaultGrid(GAMMA),
ParamGrid pGrid = getDefaultGrid(P),
ParamGrid nuGrid = getDefaultGrid(NU),
ParamGrid coeffGrid = getDefaultGrid(COEF),
ParamGrid degreeGrid = getDefaultGrid(DEGREE),
bool balanced=false) = 0;
bool trainAuto (InputArray samples, int layout, InputArray responses,
int kFold=10, Ptr< ParamGrid > Cgrid=SVM::getDefaultGridPtr(SVM::C),
Ptr< ParamGrid > gammaGrid=SVM::getDefaultGridPtr(SVM::GAMMA),
Ptr< ParamGrid > pGrid=SVM::getDefaultGridPtr(SVM::P),
Ptr< ParamGrid > nuGrid=SVM::getDefaultGridPtr(SVM::NU),
Ptr< ParamGrid > coeffGrid=SVM::getDefaultGridPtr(SVM::COEF),
Ptr< ParamGrid > degreeGrid=SVM::getDefaultGridPtr(SVM::DEGREE),
bool balanced=false)
trainAuto可以在训练过程中自动优化2.2中的那些参数，而使用train函数时，参数被固定，所以推荐使用trainAuto函数。
在准备训练数据的时候，有下面几点需要注意，否则函数会报错
SVM的训练函数是ROW_SAMPLE类型的，也就是说，送入SVM训练的特征需要reshape成一个行向量，所有训练数据全部保存在一个Mat中，一个训练样本就是Mat中的一行，最后还要讲这个Mat转换成CV_32F类型，例如，如果有\(k\)个样本，每个样本原本维度是\((h, w)\)，则转换后Mat的维度为\((k, h * w)\)
对于多分类问题，label矩阵的行数要与样本数量一致，也就是每个样本要在label矩阵中有一个对应的标签，label的列数为1，因为对于一个样本，SVM输出一个值，我们在训练前需要做的就是设计这个值与样本的对应关系。对于有\(k\)个样本的情况，label的维度是\((k, 1)\)
2.4 预测函数
函数定义如下：
float predict(cv::InputArrat samples, cv::OutputArray results = noArray(), int flags = 0) const;
其中samples就是需要预测的样本，这里样本同样要转换成ROW_SAMPLE和CV_32F格式，对于单个测试样本的情况，预测结果直接通过函数返回值返回，而如果samples中有多个样本，就需要穿进result参数，预测结果以列向量的方式保存在result数组中。假如有\(k\)个样本，每个样本原本的维度为\((h, w)\)，则samples的维度为\((k, h * w)\)，最终预测结果result维度为\((k, 1)\)
3. 例程
下面上代码：
/*
* 把图片从vector格式转换成SVM的RAW_SAMPLE格式
*/
void transform(const vector &split, Mat &testData)
{
for (auto it = split.begin(); it != split.end(); it++){
Mat tmp;
resize(*it, tmp, Size(28, 28));
testData.push_back(tmp.reshape(0, 1));
}
testData.convertTo(testData, CV_32F);
}
/*
* 从文件list.txt中读取测试数据和标签，输出SVM的Mat格式
*/
void get_data(string path, Mat &trainData, Mat &trainLabels)
{
fstream io(path, ios::in);
if (!io.is_open()){
cout << "file open error in path : " << path << endl;
exit(0);
}
while (!io.eof())
{
string msg;
io >> msg;
trainData.push_back(imread(msg, 0).reshape(0, 1));
io >> msg;
int idx = msg[0] - '0';
//trainLabels.push_back(Mat_(1, 1) << idx); //用这种方式会报错，原因尚且不明
trainLabels.push_back(Mat(1, 1, CV_32S, &idx));
}
trainData.convertTo(trainData, CV_32F);
}
/*
* 训练SVM
*/
void svm_train(Ptr &model, Mat &trainData, Mat &trainLabels)
{
model->setType(SVM::C_SVC); //SVM类型
model->setKernel(SVM::LINEAR); //核函数，这里使用线性核
Ptr tData = TrainData::create(trainData, ROW_SAMPLE, trainLabels);
cout << "SVM: start train ..." << endl;
model->trainAuto(tData);
cout << "SVM: train success ..." << endl;
}
/*
* 利用训练好的SVM预测
*/
void svm_pridect(Ptr &model, Mat test)
{
Mat result;
float rst = model->predict(test, result);
for (auto i = 0; i < result.rows; i++){
cout << result.at(i, 0);
}
}
int main(int argc, const char** argv)
{
fstream io;
io.open("test_list.txt", ios::in);
string train_path = "train_list.txt";
vector test_set;
get_test(io, test_set);
Ptr model = SVM::create();
Mat trainData, trainLabels;
get_data(train_path, trainData, trainLabels);
svm_train(model, trainData, trainLabels);
Mat testData;
transform(test_set, testData);
svm_pridect(model, testData);
}
trian_list.txt文件格式是这样的：
D:\ImgPro\Project\for\char\code\beta00\train_data\0\0-1.jpg0
D:\ImgPro\Project\for\char\code\beta00\train_data\0\0-2.jpg0
每行前一段表示训练图片地址，最后的数字表示这个图片对应标签
test_list.txt中格式与train_list.txt差不多，只是没有了标签。