支持向量机SVM测试程序

/***************************************************************************************************** 程序功能: SVM线性不可分的情况示例程序解读 程序说明: 1）本训练程序中，一共有两类样本，是一个基于SVM的二分类问题；其中每类样本集的数量为100个样本，其 中90个样本是线性可分的，10个是线性不可分的 2）这200个样本的具体数据存储在trainData内；trainData是一个200行2列的矩阵，其中第一列存储的样本是 X值；第二列存储的样本是Y值；每一列的前90个元素是第一类线性可分的部分，后90个元素是第二类 线性可分的部分，中间的20个元素是线性不可分的部分。 开发环境: VS2012 + OpenGl(GLUT3.7) + OpenCv2.4.9 + Halcon10.0 时间地点: 陕西师范大学----2017.3.2 作 者: 九月 *****************************************************************************************************/ #include <iostream> #include <opencv2/core/core.hpp> #include <opencv2/highgui/highgui.hpp> #include <opencv2/ml/ml.hpp> #include <iomanip> #define NTRAINING_SAMPLES 100 //[1]每个样本集的数量 #define FRAC_LINEAR_SEP 0.9f //[2]其中线性可分的部分 using namespace cv; using namespace std; void printfMat(Mat M); int main() { //【1】创建一个可视化的图像 const int WIDTH = 512; const int HEIGHT = 512; cv::Mat I = Mat::zeros(HEIGHT, WIDTH, CV_8UC3); //[3]Matlab风格的矩阵的初始化 Mat trainData(2 * NTRAINING_SAMPLES, 2, CV_32FC1); //[4]训练样本数据的存储矩阵 Mat labels(2 * NTRAINING_SAMPLES, 1, CV_32FC1); //[5]训练样本类别的存储矩阵 RNG rng(100); //[6]设定随机数的种子 //[7]设定线性可分部分的训练数据量 int nLinearSamples = (int)(FRAC_LINEAR_SEP * NTRAINING_SAMPLES); //【2】设定第一类中的数据 Mat trainClass = trainData.rowRange(0, nLinearSamples);//[8]从整个数据取出[0,89]行的数据 Mat c = trainClass.colRange(0, 1); //[9]取出第一列 //[10]随机生成X的值：[0,0.4*WIDTH] rng.fill(c, RNG::UNIFORM, Scalar(1), Scalar(0.4 * WIDTH)); //printfMat(c); c = trainClass.colRange(1, 2); //[11]取出第二列 rng.fill(c, RNG::UNIFORM, Scalar(1), Scalar(HEIGHT)); //[12]随机生成Y的值 //【3】设定第二类中的数据 //[13]从整个数据中取出[110,199]行 trainClass = trainData.rowRange(2 * NTRAINING_SAMPLES - nLinearSamples, 2 * NTRAINING_SAMPLES); c = trainClass.colRange(0, 1); //[14]取出第一列 //[15]随机生成X的值[0.6*WIDTH,WIDTH] rng.fill(c, RNG::UNIFORM, Scalar(0.6*WIDTH), Scalar(WIDTH)); //[16]取出第二列 c = trainClass.colRange(1, 2); rng.fill(c, RNG::UNIFORM, Scalar(1), Scalar(HEIGHT)); //[17]随机生成Y的值 //【4】线性不可分的数据 trainClass = trainData.rowRange(nLinearSamples, 2 * NTRAINING_SAMPLES - nLinearSamples); c = trainClass.colRange(0, 1); rng.fill(c, RNG::UNIFORM, Scalar(0.4*WIDTH), Scalar(0.6*WIDTH)); c = trainClass.colRange(1, 2); rng.fill(c, RNG::UNIFORM, Scalar(1), Scalar(HEIGHT)); //【5】为所有数据设置标签: //1)前100个为第一类数据 //2)后100个为第二类数据 labels.rowRange(0, NTRAINING_SAMPLES).setTo(1); // Class 1 labels.rowRange(NTRAINING_SAMPLES, 2 * NTRAINING_SAMPLES).setTo(2); // Class 2 //【6】设置支持向量机SVM的参数 CvSVMParams params; params.svm_type = SVM::C_SVC; params.C = 0.1; params.kernel_type = SVM::LINEAR; params.term_crit = TermCriteria(CV_TERMCRIT_ITER, (int)1e7, 1e-6); //【7】训练SVM std::cout << "Starting training process" << endl; CvSVM svm; svm.train(trainData, labels, Mat(), Mat(), params); std::cout << "Finished training process" << endl; //【8】显示判决区域 cv::Vec3b green(0, 100, 0); cv::Vec3d blue(100, 0, 0); for (int i = 0; i < I.rows; ++i) for (int j = 0; j < I.cols; ++j) { Mat sampleMat = (Mat_<float>(1, 2) << i, j); float response = svm.predict(sampleMat); //[1]判决函数 if (response == 1) I.at<Vec3b>(j, i) = green; //[2]第一类 else if (response == 2) I.at<Vec3b>(j, i) = blue; //[3]第二类 } //【9】显示训练数据 int thick = -1; int lineType = 8; float px; float py; // Class 1 for (int i = 0; i < NTRAINING_SAMPLES; ++i) { px = trainData.at<float>(i, 0); py = trainData.at<float>(i, 1); circle(I, Point((int)px, (int)py), 3, Scalar(0, 255, 0), thick, lineType); } // Class 2 for (int i = NTRAINING_SAMPLES; i <2 * NTRAINING_SAMPLES; ++i) { px = trainData.at<float>(i, 0); py = trainData.at<float>(i, 1); circle(I, Point((int)px, (int)py), 3, Scalar(255, 0, 0), thick, lineType); } //【10】显示支持向量点 thick = 2; lineType = 8; int x = svm.get_support_vector_count(); for (int i = 0; i < x; ++i) { const float* v = svm.get_support_vector(i); circle(I, Point((int)v[0], (int)v[1]), 6, Scalar(128, 128, 128), thick, lineType); } imwrite("result.png", I); // save the Image imshow("SVM for Non-Linear Training Data", I); // show it to the user waitKey(0); } void printfMat(Mat M) { for (int i = 0; i < M.rows; i++) { for (int j = 0; j < M.cols; j++) { printf("%7.2lf，",M.at<float>(i,j)); } cout << "；" << endl; } }