Python圖像處理（15）：SVM分類器

快樂蝦

http://blog.csdn.net/lights_joy/

歡迎轉載，但請保留作者信息

在opencv中支持SVM分類器。本文嘗試在python中調用它。

和前面的貝葉斯分類器一樣，SVM也遵循先訓練再使用的方式。我們直接在貝葉斯分類器的測試代碼上做簡單改動。完畢兩類數據點的分類。

首先也是先創建訓練用的數據。須要注意的是這里的train_label必須是整數類型，而不是float：

# 訓練的點數
train_pts = 30

# 創建測試的數據點，2類
# 以(-1.5, -1.5)為中心
rand1 = np.ones((train_pts,2)) * (-2) + np.random.rand(train_pts, 2)
print('rand1：')
print(rand1)

# 以(1.5, 1.5)為中心
rand2 = np.ones((train_pts,2)) + np.random.rand(train_pts, 2)
print('rand2:')
print(rand2)

# 合並隨機點，得到訓練數據
train_data = np.vstack((rand1, rand2))
train_data = np.array(train_data, dtype='float32')
train_label = np.vstack( (np.zeros((train_pts,1), dtype='int32'), np.ones((train_pts,1), dtype='int32')))

# 顯示訓練數據
plt.figure(1)
plt.plot(rand1[:,0], rand1[:,1], 'o')
plt.plot(rand2[:,0], rand2[:,1], 'o')
plt.plot(rand2[:,0], rand2[:,1], 'o')

相似這種數據：

在得到訓練數據后，接着創建一個SVM分類器並配置訓練參數：

# 創建分類器
svm = cv2.ml.SVM_create()
svm.setType(cv2.ml.SVM_C_SVC)  # SVM類型
svm.setKernel(cv2.ml.SVM_LINEAR) # 使用線性核
svm.setC(1.0)

接着我們對此分類器進行訓練：

# 訓練
ret = svm.train(train_data, cv2.ml.ROW_SAMPLE, train_label)

在訓練完畢后就能夠使用測試數據進行預測了：

# 測試數據。20個點[-2,2]
pt = np.array(np.random.rand(20,2) * 4 - 2, dtype='float32')
(ret, res) = svm.predict(pt)
print("res = ")
print(res)

predict通過res返回得到一個20x1的數組。每一行相應一個輸入點。計算得到的值就是分類的序號，在這里是0和1，我們取0.5為閾值進行分類並顯示結果：

# 按label進行分類顯示
plt.figure(2)
res = np.hstack((res, res))

# 第一類
type_data = pt[res < 0.5]
type_data = np.reshape(type_data, (type_data.shape[0] / 2, 2))
plt.plot(type_data[:,0], type_data[:,1], 'o')

# 第二類
type_data = pt[res >= 0.5]
type_data = np.reshape(type_data, (type_data.shape[0] / 2, 2))
plt.plot(type_data[:,0], type_data[:,1], 'o')

plt.show()

看看最后的結果：

最后。通過svm. getSupportVectors獲取支持向量。

# 支持向量
vec = svm.getSupportVectors()
print(vec)