SVM《三、核函數、數字識別、圖像分類》

   有關核函數，不想多介紹，參考：https://blog.csdn.net/v_july_v/article/details/7624837

這里簡單說明下，以下圖二分類為例子，顯然線性不可分，我們用核函數 F 將特征向量升維，至三維空間，然后很容易找一個平面將樣本分割開來，如圖2。

圖1

 

 圖2

  再比如：

 

 

1、核函數的分類

(1)線性核函數

(2)多項式核函數

(3)徑向基（RBF）核函數（高斯核函數）

(4)Sigmoid核函數（二層神經收集核函數）

2、opencv320 中的核函數定義：

ml::SVM::LINEAR : 線性內核，沒有任何向映射至高維空間，線性區分（或回歸）在原始特點空間中被完成，這是最快的選擇。

.

ml::SVM::POLY : 多項式內核：

.

ml::SVM::RBF : 基於徑向的函數，對於大多半景象都是一個較好的選擇：

.

ml::SVM::SIGMOID : Sigmoid函數內核：

.

  核函數的選用並沒有嚴格數學依據，基本靠經驗（基本上就是XJBS）。

 例1：識別數字

如圖1：我們首先將其進行切割得到5000個樣本，利用其80%的樣本進行訓練，剩余20%作為測試樣本。

流程：提取歸一化的Hog特征，訓練得到xml文件(決策邊界參數)；預測。

 

切割程序：

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace std;
using namespace cv;

int main()
{
    char ad[128] = { 0 };
    int  filename = 0, filenum = 0;
    Mat img = imread("digits.png");
    Mat gray;
    cvtColor(img, gray, CV_BGR2GRAY);
    int b = 20;
    int m = gray.rows / b;   //原圖為1000*2000
    int n = gray.cols / b;   //裁剪為5000個20*20的小圖塊

    for (int i = 0; i < m; i++)
    {
        int offsetRow = i*b;  //行上的偏移量
        if (i % 5 == 0 && i != 0)
        {
            filename++;
            filenum = 0;
        }
        for (int j = 0; j < n; j++)
        {
            int offsetCol = j*b; //列上的偏移量
            sprintf_s(ad, "D:\\data_svm\\%d\\%d.jpg", filename, filenum++);
        //    cout << ad << endl;
            //截取20*20的小塊
            Mat tmp;
            gray(Range(offsetRow, offsetRow + b), Range(offsetCol, offsetCol + b)).copyTo(tmp);
            imwrite(ad, tmp);
        }
    }
    return 0;
}

 切割完之后，圖像塊保存在如圖的文件夾中，每個文件夾中文件索引從0-499

 

每一張圖對應地址下入文本文件：myImageList1.txt 【文中文件見博客最下百度雲】

假設拿出每一類中的前400個樣本進行當做訓練樣本；新建一個文本文件 myImageLabels1.txt，寫入對應每一類的標簽。 

最后將測試樣本圖片路徑寫入文本文件：myImagetest1.txt

//SVM多分類訓練測試
#include <opencv2/opencv.hpp>
#include <iostream>
#include <fstream>

using namespace cv;
using namespace std;
Size imageSize = Size(64, 64);

void coumputeHog(const Mat& src, vector<float> &descriptors)
{
    HOGDescriptor myHog = HOGDescriptor(imageSize, Size(16, 16), cvSize(8, 8), cvSize(8, 8), 9);
    myHog.compute(src.clone(), descriptors, Size(1, 1), Size(0, 0));

}

int main(int argc, char** argv) {
    ifstream inLabels("myImageLabels1.txt"), inImages("myImageList1.txt"), inTestimage("myImagetest1.txt");

    string imageName;
    signed imageLabel;
    vector<Mat> vecImages;
    vector<int> vecLabels;
    //CvSVM *mySVM = new CvSVM();
    //CvSVMParams params = CvSVMParams();
    //params.svm_type = CvSVM::C_SVC;
    //params.kernel_type = CvSVM::LINEAR;
    ////params.kernel_type = CvSVM::RBF;
    //params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 10000, 1e-10);
    Ptr<ml::SVM> svm = ml::SVM::create();
    svm->setType(ml::SVM::C_SVC);
    svm->setKernel(ml::SVM::LINEAR);
    //svm->setDegree(0.5);
    svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, 10000, 1e-10));



    vector<float> vecDescriptors;

#if(1) //是否需要訓練
    while ((inImages >> imageName) && (inLabels >> imageLabel))//讀取樣本和標簽
    {
        Mat src = imread(imageName, 0);
        if (src.empty())
        {
            continue;
        }
        resize(src, src, imageSize);//歸一化尺寸
        vecImages.push_back(src);//准備訓練樣本圖序列
        vecLabels.push_back(imageLabel);//准備圖序列對應的標簽序列
    }
    inLabels.close();
    inImages.close();

    Mat dataDescriptors;
    Mat dataResponse = (Mat)vecLabels;//還可以這樣強制轉換？
    for (size_t i = 0; i < vecImages.size(); i++)
    {
        Mat src = vecImages[i];//每一張樣本圖
        Mat tempRow;
        coumputeHog(src, vecDescriptors);//提取Hog特征向量
        if (i == 0)//這里就是初始化一個 特征矩陣，行數 = 樣本數； 每一行存儲 每一個樣本的Hog特征向量
        {
            dataDescriptors = Mat::zeros(vecImages.size(), vecDescriptors.size(), CV_32FC1);
        }
        tempRow = ((Mat)vecDescriptors).t();//轉置
        tempRow.row(0).copyTo(dataDescriptors.row(i));//將每一個Hog特征向量保存到特征矩陣中去
    }

    //mySVM->train(dataDescriptors, dataResponse, Mat(), Mat(), params);
    svm->train(dataDescriptors, ml::ROW_SAMPLE, dataResponse);
    //string svmName = to_string(long long(88)) + "_mysvm.xml";
    //mySVM->save(svmName.c_str());
    svm->save("svm1.xml");

    //CvSVMParams params = mySVM->get_params();
#else

    //mySVM->load("88_mysvm.xml");
    svm = ml::SVM::load("svm1.xml");
#endif

    // 預測
    string testPath;
    while (inTestimage >> testPath)//讀取每一張測試圖
    {
        Mat test = imread(testPath, 0);
        resize(test, test, imageSize);//歸一化
        vector<float> imageDescriptor;
        coumputeHog(test, imageDescriptor);//提取Hog特征
        Mat testDescriptor = Mat::zeros(1, imageDescriptor.size(), CV_32FC1);//類型轉換
        for (size_t i = 0; i < imageDescriptor.size(); i++)
        {
            testDescriptor.at<float>(0, i) = imageDescriptor[i];//Hog特征賦值
        }
        //float  label = mySVM->predict(testDescriptor, false);//對當前樣本進行   預測
                                                             //
        float  label = svm->predict(testDescriptor);
        switch (int(label))
        {
        case 0:
            cout << label << " " << " = 0" << endl;
            break;
        case 1:
            cout << label << " " << " = 1" << endl;
            break;
        case 2:
            cout << label << " " << " = 2" << endl;
            break;
        case 3:
            cout << label << " " << " = 3" << endl;
            break;
        case 4:
            cout << label << " " << " = 4" << endl;
            break;
        case 5:
            cout << label << " " << " = 5" << endl;
            break;
        case 6:
            cout << label << " " << " = 6" << endl;
            break;
        case 7:
            cout << label << " " << " = 7" << endl;
            break;
        case 8:
            cout << label << " " << " = 8" << endl;
            break;
        case 9:
            cout << label << " " << " = 9" << endl;
            break;

        }
        //cout << label << endl;
        imshow("test image", test);
        waitKey(0);
    }

    inTestimage.close();
    //delete mySVM;
    return 0;
}

5000個樣本訓練需要一段時間，工程文件目錄下會生成svm1.xml文件。按空格更換樣本，打印出預測值。

 

 

例2：對飛機、蝴蝶、相機、剪刀、向日葵進行分類。

 

    略，見鏈接

鏈接：https://pan.baidu.com/s/1m6JbpGUyDFKfGldfWAYWgg
提取碼：xwkx

 

 3、SVM多分類

 多分類主要涉及復雜度問題，參考 DAG SVM

鏈接：https://pan.baidu.com/s/15ItXi0ANQzHS8QaIb6VTkA
提取碼：ccqm
復制這段內容后打開百度網盤手機App，操作更方便哦