SVM《三、核函数、数字识别、图像分类》

   有关核函数，不想多介绍，参考：https://blog.csdn.net/v_july_v/article/details/7624837

这里简单说明下，以下图二分类为例子，显然线性不可分，我们用核函数 F 将特征向量升维，至三维空间，然后很容易找一个平面将样本分割开来，如图2。

图1

 图2

  再比如：

 

1、核函数的分类

(1)线性核函数

(2)多项式核函数

(3)径向基（RBF）核函数（高斯核函数）

(4)Sigmoid核函数（二层神经收集核函数）

2、opencv320 中的核函数定义：

ml::SVM::LINEAR : 线性内核，没有任何向映射至高维空间，线性区分（或回归）在原始特点空间中被完成，这是最快的选择。

.

ml::SVM::POLY : 多项式内核：

.

ml::SVM::RBF : 基于径向的函数，对于大多半景象都是一个较好的选择：

.

ml::SVM::SIGMOID : Sigmoid函数内核：

.

  核函数的选用并没有严格数学依据，基本靠经验（基本上就是XJBS）。

 例1：识别数字

如图1：我们首先将其进行切割得到5000个样本，利用其80%的样本进行训练，剩余20%作为测试样本。

流程：提取归一化的Hog特征，训练得到xml文件(决策边界参数)；预测。

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;   //原图为1000*2000
    int n = gray.cols / b;   //裁剪为5000个20*20的小图块

    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的小块
            Mat tmp;
            gray(Range(offsetRow, offsetRow + b), Range(offsetCol, offsetCol + b)).copyTo(tmp);
            imwrite(ad, tmp);
        }
    }
    return 0;
}

 切割完之后，图像块保存在如图的文件夹中，每个文件夹中文件索引从0-499

 

每一张图对应地址下入文本文件：myImageList1.txt 【文中文件见博客最下百度云】

假设拿出每一类中的前400个样本进行当做训练样本；新建一个文本文件 myImageLabels1.txt，写入对应每一类的标签。 

最后将测试样本图片路径写入文本文件：myImagetest1.txt

//SVM多分类训练测试
#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) //是否需要训练
    while ((inImages >> imageName) && (inLabels >> imageLabel))//读取样本和标签
    {
        Mat src = imread(imageName, 0);
        if (src.empty())
        {
            continue;
        }
        resize(src, src, imageSize);//归一化尺寸
        vecImages.push_back(src);//准备训练样本图序列
        vecLabels.push_back(imageLabel);//准备图序列对应的标签序列
    }
    inLabels.close();
    inImages.close();

    Mat dataDescriptors;
    Mat dataResponse = (Mat)vecLabels;//还可以这样强制转换？
    for (size_t i = 0; i < vecImages.size(); i++)
    {
        Mat src = vecImages[i];//每一张样本图
        Mat tempRow;
        coumputeHog(src, vecDescriptors);//提取Hog特征向量
        if (i == 0)//这里就是初始化一个 特征矩阵，行数 = 样本数； 每一行存储 每一个样本的Hog特征向量
        {
            dataDescriptors = Mat::zeros(vecImages.size(), vecDescriptors.size(), CV_32FC1);
        }
        tempRow = ((Mat)vecDescriptors).t();//转置
        tempRow.row(0).copyTo(dataDescriptors.row(i));//将每一个Hog特征向量保存到特征矩阵中去
    }

    //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

    // 预测
    string testPath;
    while (inTestimage >> testPath)//读取每一张测试图
    {
        Mat test = imread(testPath, 0);
        resize(test, test, imageSize);//归一化
        vector<float> imageDescriptor;
        coumputeHog(test, imageDescriptor);//提取Hog特征
        Mat testDescriptor = Mat::zeros(1, imageDescriptor.size(), CV_32FC1);//类型转换
        for (size_t i = 0; i < imageDescriptor.size(); i++)
        {
            testDescriptor.at<float>(0, i) = imageDescriptor[i];//Hog特征赋值
        }
        //float  label = mySVM->predict(testDescriptor, false);//对当前样本进行   预测
                                                             //
        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个样本训练需要一段时间，工程文件目录下会生成svm1.xml文件。按空格更换样本，打印出预测值。

例2：对飞机、蝴蝶、相机、剪刀、向日葵进行分类。

    略，见链接

链接：https://pan.baidu.com/s/1m6JbpGUyDFKfGldfWAYWgg
提取码：xwkx

 3、SVM多分类

 多分类主要涉及复杂度问题，参考 DAG SVM

链接：https://pan.baidu.com/s/15ItXi0ANQzHS8QaIb6VTkA
提取码：ccqm
复制这段内容后打开百度网盘手机App，操作更方便哦