小试SVM算法ml

Love The Way You Lie 2022-08-26 13:12 176阅读 0赞

总感觉自己停留在码农的初级阶段，要想更上一层，就得静下心来，好好研究一下算法的东西。OpenCV作为一个计算机视觉的开源库，肯定不会只停留在数字图像处理的初级阶段，我也得加油，深入研究它的算法库。就从ml入手吧，最近做东西遇到随机森林，被搞的头大，深深感觉自己肚子里货太少，关键时刻调不出东西来。切勿浮躁，一点点研究吧。

这次就先介绍一下机器学习中的一个常用算法SVM算法，即支持向量机Support Vector Machine（SVM），是一种有监督学习方法，更多介绍请见维基百科[http://zh.wikipedia.org/wiki/SVM][http_zh.wikipedia.org_wiki_SVM]。

OpenCV开发SVM算法是基于LibSVM软件包开发的，LibSVM是台湾大学林智仁(Lin Chih-Jen)等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包。用OpenCV使用SVM算法的大概流程是

### 1）设置训练样本集 ###

需要两组数据，一组是数据的类别，一组是数据的向量信息。

### 2）设置SVM参数 ###

利用CvSVMParams类实现类内的成员变量svm\_type表示SVM类型：

CvSVM：：C\_SVC  C-SVC

CvSVM：：NU\_SVC v-SVC

CvSVM：：ONE\_CLASS 一类SVM

CvSVM：：EPS\_SVR e-SVR

CvSVM：：NU\_SVR v-SVR

成员变量kernel\_type表示核函数的类型：

CvSVM：：LINEAR 线性：u‘v

CvSVM：：POLY 多项式：(r\*u'v + coef0)^degree

CvSVM：：RBF RBF函数：exp(-r|u-v|^2)

CvSVM：：SIGMOID sigmoid函数：tanh(r\*u'v + coef0)

成员变量degree针对多项式核函数degree的设置，gamma针对多项式/rbf/sigmoid核函数的设置，coef0针对多项式/sigmoid核函数的设置，Cvalue为损失函数，在C-SVC、e-SVR、v-SVR中有效，nu设置v-SVC、一类SVM和v-SVR参数，p为设置e-SVR中损失函数的值，class\_weightsC\_SVC的权重，term\_crit为SVM训练过程的终止条件。其中默认值degree = 0，gamma = 1，coef0 = 0，Cvalue = 1，nu = 0，p = 0，class\_weights = 0

### 3）训练SVM ###

调用CvSVM：：train函数建立SVM模型，第一个参数为训练数据，第二个参数为分类结果，最后一个参数即CvSVMParams

### 4）用这个SVM进行分类 ###

调用函数CvSVM：：predict实现分类

### 5）获得支持向量 ###

除了分类，也可以得到SVM的支持向量，调用函数CvSVM：：get\_support\_vector\_count获得支持向量的个数，CvSVM：：get\_support\_vector获得对应的索引编号的支持向量。

实现代码如下：

**\[cpp\]** [view plain][] [copy][view plain] [print][view plain] [?][view plain]

1.  // step 1: 
2.  floatlabels\[4\] = \{1.0, \-1.0, \-1.0, \-1.0\};
3.  Mat labelsMat(3, 1, CV\_32FC1, labels);
4.  
5.  floattrainingData\[4\]\[2\] = \{ \{501, 10\}, \{255, 10\}, \{501, 255\}, \{10, 501\} \};
6.  Mat trainingDataMat(3, 2, CV\_32FC1, trainingData);
7.  
8.  // step 2: 
9.  CvSVMParams params;
10. params.svm\_type = CvSVM::C\_SVC;
11. params.kernel\_type = CvSVM::LINEAR;
12. params.term\_crit = cvTermCriteria(CV\_TERMCRIT\_ITER, 100, 1e-6);
13. 
14. // step 3: 
15. CvSVM SVM;
16. SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);
17. 
18. // step 4: 
19. Vec3b green(0, 255, 0), blue(255, 0, 0);
20. for(inti=0; i<image.rows; i++)
21. \{
22. for(intj=0; j<image.cols; j++)
23. \{
24. Mat sampleMat = (Mat\_<float>(1,2) << i,j);
25. floatresponse = SVM.predict(sampleMat);
26. 
27. if(fabs(response-1.0) < 0.0001)
28. \{
29. image.at<Vec3b>(j, i) = green;
30. \}
31. elseif(fabs(response+1.0) < 0.001)
32. \{
33. image.at<Vec3b>(j, i) = blue;
34. \}
35. \}
36. \}
37. 
38. // step 5: 
39. intc = SVM.get\_support\_vector\_count();
40. 
41. for(inti=0; i<c; i++)
42. \{
43. constfloat\* v = SVM.get\_support\_vector(i);
44. \}

[http_zh.wikipedia.org_wiki_SVM]: http://zh.wikipedia.org/wiki/SVM
[view plain]: http://blog.csdn.net/yang_xian521/article/details/6969904#