SVM.rar_SVM分类_svm opencv_vc6.0 svm_vc6.0 svm predict

//利用SVM解决2维空间向量的3级分类问题 #include "cv.h" #include "highgui.h" #include <ML.H> #include <TIME.H> #include <CTYPE.H> #include <IOSTREAM> using namespace std; int main(int argc, char **argv) { int size = 400; //图像的长度和宽度 const int s = 100; //试验点个数（可更改！！） int i, j, sv_num; IplImage *img; CvSVM svm = CvSVM(); //★★★ CvSVMParams param; CvTermCriteria criteria;//停止迭代的标准 CvRNG rng = cvRNG(time(NULL)); CvPoint pts[s]; //定义1000个点 float data[s*2]; //点的坐标 int res[s]; //点的所属类 CvMat data_mat, res_mat; CvScalar rcolor; const float *support; // (1)图像区域的确保和初始化 img= cvCreateImage(cvSize(size, size), IPL_DEPTH_8U, 3); cvZero(img); //确保画像区域，并清0(用黑色作初始化处理)。 // (2)学习数据的生成 for (i= 0; i< s; i++) { pts[i].x= cvRandInt(&rng) % (size); //用随机整数赋值 pts[i].y= cvRandInt(&rng) % (size); if (pts[i].y> 50 * cos(pts[i].x* CV_PI/ 100) + 200) { cvLine(img, cvPoint(pts[i].x- 2, pts[i].y- 2), cvPoint(pts[i].x+ 2, pts[i].y+ 2), CV_RGB(255, 0, 0)); cvLine(img, cvPoint(pts[i].x+ 2, pts[i].y- 2), cvPoint(pts[i].x- 2, pts[i].y+ 2), CV_RGB(255, 0, 0)); res[i] = 1; } else { if (pts[i].x> 200) { cvLine(img, cvPoint(pts[i].x- 2, pts[i].y- 2), cvPoint(pts[i].x+ 2, pts[i].y+ 2), CV_RGB(0, 255, 0)); cvLine(img, cvPoint(pts[i].x+ 2, pts[i].y- 2), cvPoint(pts[i].x- 2, pts[i].y+ 2), CV_RGB(0, 255, 0)); res[i] = 2; } else { cvLine(img, cvPoint(pts[i].x- 2, pts[i].y- 2), cvPoint(pts[i].x+ 2, pts[i].y+ 2), CV_RGB(0, 0, 255)); cvLine(img, cvPoint(pts[i].x+ 2, pts[i].y- 2), cvPoint(pts[i].x- 2, pts[i].y+ 2), CV_RGB(0, 0, 255)); res[i] = 3; } } } //生成2维随机训练数据，并将其值放在CvPoint数据类型的数组pts[ ]中。 // (3)学习数据的显示 cvNamedWindow("SVM", CV_WINDOW_AUTOSIZE); cvShowImage("SVM", img); cvWaitKey(0); // (4)学习参数的生成 for (i= 0; i< s; i++) { data[i* 2] = float (pts[i].x) /size; data[i* 2 + 1] = float (pts[i].y)/size; } cvInitMatHeader(&data_mat, s, 2, CV_32FC1, data); cvInitMatHeader(&res_mat, s, 1, CV_32SC1, res); criteria= cvTermCriteria(CV_TERMCRIT_EPS, 1000, FLT_EPSILON); param= CvSVMParams (CvSVM::C_SVC, CvSVM::RBF, 10.0, 8.0, 1.0, 10.0, 0.5, 0.1, NULL, criteria); /* SVM种类：CvSVM::C_SVC Kernel的种类：CvSVM::RBF degree：10.0（此次不使用） gamma：8.0 coef0：1.0（此次不使用） C：10.0 nu：0.5（此次不使用） p：0.1（此次不使用） 然后对训练数据正规化处理，并放在CvMat型的数组里。 */ //☆☆☆☆☆☆☆☆☆(5)SVM学习☆☆☆☆☆☆☆☆☆☆☆☆ svm.train(&data_mat, &res_mat, NULL, NULL, param);//☆ //☆☆利用训练数据和确定的学习参数,进行SVM学习☆☆☆☆ // (6)学习结果的绘图 for (i= 0; i< size; i++) { for (j= 0; j< size; j++) { CvMat m; float ret = 0.0; float a[] = { float (j)/size , float (i)/size }; cvInitMatHeader(&m, 1, 2, CV_32FC1, a); ret= svm.predict(&m); switch ((int) ret) { case 1: rcolor= CV_RGB(100, 0, 0); break; case 2: rcolor= CV_RGB(0, 100, 0); break; case 3: rcolor= CV_RGB(0, 0, 100); break; } cvSet2D(img, i, j, rcolor); } } //为了显示学习结果，通过输入图像区域的所有像素(特征向量)并进行分类。然后对输入像素用所属等级的颜色绘图。 // (7)训练数据的再绘制 for (i= 0; i< s; i++) { CvScalar rcolor; switch (res[i]) { case 1: rcolor= CV_RGB(255, 0, 0); break; case 2: rcolor= CV_RGB(0, 255, 0); break; case 3: rcolor= CV_RGB(0, 0, 255); break; } cvLine(img, cvPoint(pts[i].x- 2, pts[i].y- 2), cvPoint(pts[i].x+ 2, pts[i].y+ 2), rcolor); cvLine(img, cvPoint(pts[i].x+ 2, pts[i].y- 2), cvPoint(pts[i].x- 2, pts[i].y+ 2), rcolor); } //将训练数据在结果图像上重复的绘制出来。 // (8)支持向量的绘制 sv_num= svm.get_support_vector_count(); for (i= 0; i< sv_num; i++) { support = svm.get_support_vector(i); cvCircle(img, cvPoint((int) (support[0] * size), (int) (support[1] * size)), 5, CV_RGB(200, 200, 200)); } //用白色的圆圈对支持向量作标记。 // (9)图像的显示 cvNamedWindow("SVM", CV_WINDOW_AUTOSIZE); cvShowImage("SVM", img); cvWaitKey(0); cvDestroyWindow("SVM"); cvReleaseImage(&img); return 0; //显示实际处理结果的图像，直到某个键被按下为止。 }