本系列学习笔记参考自OpenCV2.4.10之
opencv\sources\samples\cpp\tutorial_code和
http://www.opencv.org.cn/opencvdoc/2.3.2/html/genindex.html
SVM为支持向量机。它是一个分类器。简单说,SVM是通过我们一组训练样本来对平面进行一个最优的分割。
introduction_to_svm.cpp(SVM支持向量机)
demo源码和注释如下:
#include "stdafx.h" //预编译头文件
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/ml/ml.hpp>
using namespace cv;
int main()
{
//定义一个512*512像素大小的图像进行SVM可视化呈现
int width = 512, height = 512;
Mat image = Mat::zeros(height, width, CV_8UC3);
//设置训练数据。训练数据有两个类1和-1 这两个类分别有一个和三个数据。
float labels[4] = {1.0, -1.0, -1.0, -1.0};
Mat labelsMat(4, 1, CV_32FC1, labels);
float trainingData[4][2] = { {501, 10}, {255, 10}, {501, 255}, {10, 501} };
Mat trainingDataMat(4, 2, CV_32FC1, trainingData);
//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);
// 训练SVM
CvSVM SVM;
SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);
Vec3b green(0,255,0), blue (255,0,0);
// 将图像中的每个点进行SVM分类并着色
for (int i = 0; i < image.rows; ++i)
for (int j = 0; j < image.cols; ++j)
{
Mat sampleMat = (Mat_<float>(1,2) << j,i);
float response = SVM.predict(sampleMat);
if (response == 1)
image.at<Vec3b>(i,j) = green;
else if (response == -1)
image.at<Vec3b>(i,j) = blue;
}
//显示训练数据
int thickness = -1;
int lineType = 8;
circle( image, Point(501, 10), 5, Scalar( 0, 0, 0), thickness, lineType);
circle( image, Point(255, 10), 5, Scalar(255, 255, 255), thickness, lineType);
circle( image, Point(501, 255), 5, Scalar(255, 255, 255), thickness, lineType);
circle( image, Point( 10, 501), 5, Scalar(255, 255, 255), thickness, lineType);
//显示支持向量
thickness = 2;
lineType = 8;
int c = SVM.get_support_vector_count();
for (int i = 0; i < c; ++i)
{
const float* v = SVM.get_support_vector(i);
circle( image, Point( (int) v[0], (int) v[1]), 6, Scalar(128, 128, 128), thickness, lineType);
}
imwrite("result.png", image); // save the image
imshow("SVM Simple Example", image); // show it to the user
waitKey(0);
}
运行截图:

首先是关于SVM的参数,params.svm_type为SVM类型,CvSVM::C_SVC表示SVM可以处理非完美分类的问题。这里数据可以先行分割,所以意义不大。params.kernel_type参数为SVM核类型,CvSVM::LINEAR;为线性核,无映射,且为最快的方式。params.term_crit为SVM结束条件。cvTermCriteria结构体为结束条件,CV_TERMCRIT_ITER表示在迭代次数达到最大值前结束,100代表最大的迭代次数,1e-6为精度要求。
SVM.train的功能为根据样本进行SVM分类器的训练,函数声明C++: bool CvSVM::train(const Mat& trainData, const Mat& responses, const Mat& varIdx=Mat(), const Mat& sampleIdx=Mat(), CvSVMParamsparams=CvSVMParams() )
参数trainData为待训练的数据,responses为训练数据的分类结果。CvSVMParams为SVM分类器参数。
SVM.get_support_vector_count()用于获取支持向量的数据。SVM.get_support_vector(i)根据索引获取支持向量。