https://blog.csdn.net/shi923281339/article/details/77094757
1.理解SVM
请移步支持向量机通俗导论，通俗易懂，这里不在赘述。
2.opencv中的SVM
opencv中对svm的介绍：Support Vector Machines for Non-Linearly Separable Data
官方测试代码：我做了详细的标注：
#include <opencv2/core.hpp>
#include <opencv2/imgproc.hpp>
#include "opencv2/imgcodecs.hpp"
#include <opencv2/highgui.hpp>
#include <opencv2/ml.hpp>
#include <iostream>
using namespace std;
using namespace cv;
using namespace cv::ml;
int main(int, char**)
{
// Data for visual representation
int width = 512, height = 512;
// zeros就是搞成全0矩阵
Mat image = Mat::zeros(height, width, CV_8UC3);
// Set up training data
//! [setup1]
//设置训练数据
int labels[4] = { 1, -1, -1, -1 }; // 每个样本点对应的类
float trainingData[4][2] = { { 501, 10 }, { 255, 10 }, { 501, 255 }, { 10, 501 } };
//! [setup1]
//! [setup2]
// 将训练数据存入浮点型Mat中
Mat trainingDataMat(4, 2, CV_32FC1, trainingData);
// 使用OpenCV里面的机器学习算法时，要保证给的labelData的数据格式为”有符号的整型数”，
// ”CV_32FC1”就是错误的一种形式，应该使用”CV_32SC1”
Mat labelsMat(4, 1, CV_32SC1, labels);
//! [setup2]
// Train the SVM
//! [init]
// 这里的svm是一个指针
Ptr<SVM> svm = SVM::create();
svm->setType(SVM::C_SVC); // 文本选择
svm->setKernel(SVM::LINEAR);
// TermCriteria是一个结构体，包括终止的类型，迭代次数或者元素数量，精度。
svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, 100, 1e-6));
//! [init]
//! [train],ROW_SAMPLE指每次训练样本的一行
// 因此总的意思是每次训练样本的一行，而这一行是哪一类是由labelsMat决定的
svm->train(trainingDataMat, ROW_SAMPLE, labelsMat);
//! [train]
// Show the decision regions given by the SVM
//! [show]
Vec3b green(0, 255, 0), blue(255, 0, 0);
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;
}
//! [show]
// Show the training data
//! [show_data]
int thickness = -1; // 实心圆
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);
//! [show_data]
// Show support vectors
//! [show_vectors]
thickness = 2; // 线宽为2的圆
lineType = 8;
// 输出所有的支持向量
//int c = svm->getVarCount(); // 获得支持向量的维数
//cout << c << endl;
Mat sv = svm->getSupportVectors();
//cout << sv.cols << "-" << sv.rows << endl;
// 训练出来的SVM classifier的support vector是以Mat类型进行存储，
//其rows是根据svm的参数而变化的，如果是二分类分类器，应该是1*n的大小。
// 这里一行存的坐标。
for (int i = 0; i < sv.rows ; ++i)
{
const float* v = sv.ptr<float>(i);
// 6是圆的半径，(128,128,128)是灰色
circle(image, Point((int)v[0], (int)v[1]), 10, Scalar(128, 128, 128), thickness, lineType);
}
//! [show_vectors]
imwrite("result.png", image); // save the image
imshow("SVM Simple Example", image); // show it to the user
waitKey(0);
}
3.用SVM做简单的图像分割
直接看代码，同样做了注释：
#include <opencv2/core.hpp>
#include <opencv2/imgproc.hpp>
#include "opencv2/imgcodecs.hpp"
#include <opencv2/highgui.hpp>
#include <opencv2/ml.hpp>
#include <iostream>
using namespace std;
using namespace cv;
using namespace cv::ml;
int main()
{
Mat srcImg = imread("test.jpg");
Mat desImg = srcImg.clone();
imshow("原图", srcImg);
// 选取目标区域和背景区域
Mat BackImg = srcImg(Rect(199, 0, 30, 30));
Mat ForeImg = srcImg(Rect(38, 95, 30, 30));
// 初始化训练数据
Mat trainingDataMat = ForeImg.clone().reshape(1, ForeImg.cols*ForeImg.rows);
//在这里直接存入背景像素点，或者像下边一个一个点存入也可以
trainingDataMat.push_back(BackImg.clone().reshape(1,BackImg.cols*BackImg.rows));
trainingDataMat.convertTo(trainingDataMat, CV_32FC1);
// 初始化标签，分别给两种标签辅助，虽然这里memset已经全部初始化为1了，可是这里的1是浮点数
int *labels = new int[ForeImg.cols*ForeImg.rows + BackImg.cols*BackImg.rows];
memset(labels, 1, sizeof(int)*(ForeImg.cols*ForeImg.rows + BackImg.cols*BackImg.rows));
for (int i = 0; i < ForeImg.rows; ++i)
for (int j = 0; j < ForeImg.cols; ++j){
labels[i*ForeImg.cols + j] = 1;
}
for (int h = 0; h<BackImg.rows; h++)
{
for (int w = 0; w<BackImg.cols; w++)
{
labels[ForeImg.cols*ForeImg.rows + h*BackImg.cols + w] = -1;
}
}
Mat labelsMat = Mat(ForeImg.cols*ForeImg.rows + BackImg.cols*BackImg.rows, 1, CV_32SC1, labels);
// 可以将数据写入文件来检查是否正确
//FileStorage fs("data.xml", FileStorage::WRITE);
//fs << "traindata" << trainingDataMat << "labels" << labelsMat;
// Train the SVM
Ptr<SVM> svm = SVM::create();
svm->setType(SVM::C_SVC);
svm->setKernel(SVM::RBF);
svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, (int)1e5, 1e-6));
svm->train(trainingDataMat, ROW_SAMPLE, labelsMat);
// 开始分类
Vec3b black(0, 0, 0), white(255, 255, 255);
for (int i = 0; i < desImg.rows; ++i)
{
uchar* p_sample = desImg.ptr<uchar>(i);
for (int j = 0; j < desImg.cols; ++j)
{
Mat sampleMat(1, 3, CV_32FC1);
sampleMat.at<float>(0, 0) = p_sample[3 * j + 0];
sampleMat.at<float>(0, 1) = p_sample[3 * j + 1];
sampleMat.at<float>(0, 2) = p_sample[3 * j + 2];
float response = svm->predict(sampleMat);
if (response == 1)
desImg.at<Vec3b>(i, j) = white;
else if (response == -1)
desImg.at<Vec3b>(i, j) = black;
}
}
imwrite("result.jpg", desImg);
imshow("resImg", desImg);
waitKey(0);
return 0;
}
这里的白块就是我们选得目标区域。不知道是不是我参数选择不好，这里的分割效果步理想。
参考博客：利用SVM支持向量机对彩色图像进行分割并使用OpenCV进行实现
支持向量机通俗导论（理解SVM的三层境界）
---------------------
作者：影子要造反
来源：CSDN
原文：https://blog.csdn.net/shi923281339/article/details/77094757
版权声明：本文为博主原创文章，转载请附上博文链接！
