OpenCV3.0或OpenCV3.1的SVM操作

本是古典何须时尚 2022-06-04 01:54 314阅读 0赞

## OpenCV2.0 SVM代码及其分析 ##

OpenCV 在很久以前就集成了SVM的功能，现在OpenCV升级到了3.0和3.1了，很多人都不习惯了怎么调用OpenCV中的SVM功能了。在之前OpenCV的SVM调用一直有个案例：首先，给定几组训练数据，并且给了label所对应的值。然后经过训练之后，对图像的各个位置进行预测是1还是-1。如果是1的话，用绿色来表示，如果是-1呢，用蓝色表示。并且还画出几个支持向量。   
下面给了OpenCV2.0 的SVM代码(勿喷，直接从OpenCV官方网址复制下来的)

#include <opencv2/core/core.hpp>
    #include <opencv2/highgui/highgui.hpp>
    #include <opencv2/ml/ml.hpp>
    
    using namespace cv;
    
    int main()
    {
        // Data for visual representation
        int width = 512, height = 512;
        Mat image = Mat::zeros(height, width, CV_8UC3);
    
        // Set up training data
        float labels[4] = {
       1.0, -1.0, -1.0, -1.0};
        Mat labelsMat(3, 1, CV_32FC1, labels);
    
        float trainingData[4][2] = { {
       501, 10}, {
       255, 10}, {
       501, 255}, {
       10, 501} };
        Mat trainingDataMat(3, 2, CV_32FC1, trainingData);
    
        // Set up SVM's parameters
        CvSVMParams params;
        params.svm_type    = CvSVM::C_SVC;
        params.kernel_type = CvSVM::LINEAR;
        params.term_crit   = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6);
    
        // Train the SVM
        CvSVM SVM;
        SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);
    
        Vec3b green(0,255,0), blue (255,0,0);
        // Show the decision regions given by the SVM
        for (int i = 0; i < image.rows; ++i)
            for (int j = 0; j < image.cols; ++j)
            {
                Mat sampleMat = (Mat_<float>(1,2) << i,j);
                float response = SVM.predict(sampleMat);
    
                if (response == 1)
                    image.at<Vec3b>(j, i)  = green;
                else if (response == -1) 
                     image.at<Vec3b>(j, i)  = blue;
            }
    
        // Show the training data
        int thickness = -1;
        int lineType = 8;
        circle( image, Point(501,  10), 5, Scalar(  0,   0,   0), thickness, lineType);
        circle( image, Point(255,  10), 5, Scalar(255, 255, 255), thickness, lineType);
        circle( image, Point(501, 255), 5, Scalar(255, 255, 255), thickness, lineType);
        circle( image, Point( 10, 501), 5, Scalar(255, 255, 255), thickness, lineType);
    
        // Show support vectors
        thickness = 2;
        lineType  = 8;
        int c     = SVM.get_support_vector_count();
    
        for (int i = 0; i < c; ++i)
        {
            const float* v = SVM.get_support_vector(i);
            circle( image,  Point( (int) v[0], (int) v[1]),   6,  Scalar(128, 128, 128), thickness, lineType);
        }
    
        imwrite("result.png", image);        // save the image 
    
        imshow("SVM Simple Example", image); // show it to the user
        waitKey(0);
    
    }
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12
       13
       14
       15
       16
       17
       18
       19
       20
       21
       22
       23
       24
       25
       26
       27
       28
       29
       30
       31
       32
       33
       34
       35
       36
       37
       38
       39
       40
       41
       42
       43
       44
       45
       46
       47
       48
       49
       50
       51
       52
       53
       54
       55
       56
       57
       58
       59
       60
       61
       62
       63
       64
       65
       66
       67
       68

## OpenCV 3.0、OpenCV3.1 的SVM训练代码 ##

下面给出了正确的，记住是正确的代码：

例子1：

#include "stdafx.h"
    #include "opencv2/opencv.hpp"
    using namespace cv;
    using namespace cv::ml;
    
    int main(int, char**)
    {
    	int width = 512, height = 512;
    	Mat image = Mat::zeros(height, width, CV_8UC3);  //创建窗口可视化
    
    													 // 设置训练数据
    	int labels[10] = { 1, -1, 1, 1,-1,1,-1,1,-1,-1 };
    	Mat labelsMat(10, 1, CV_32SC1, labels);
    
    	float trainingData[10][2] = { { 501, 150 },{ 255, 10 },{ 501, 255 },{ 10, 501 },{ 25, 80 },
    	{ 150, 300 },{ 77, 200 } ,{ 300, 300 } ,{ 45, 250 } ,{ 200, 200 } };
    	Mat trainingDataMat(10, 2, CV_32FC1, trainingData);
    
    	// 创建分类器并设置参数
    	Ptr<SVM> model = SVM::create();
    	model->setType(SVM::C_SVC);
    	model->setKernel(SVM::LINEAR);  //核函数
    
    									//设置训练数据 
    	Ptr<TrainData> tData = TrainData::create(trainingDataMat, ROW_SAMPLE, labelsMat);
    
    	// 训练分类器
    	model->train(tData);
    
    	Vec3b green(0, 255, 0), blue(255, 0, 0);
    	// Show the decision regions given by the SVM
    	for (int i = 0; i < image.rows; ++i)
    		for (int j = 0; j < image.cols; ++j)
    		{
    			Mat sampleMat = (Mat_<float>(1, 2) << j, i);  //生成测试数据
    			float response = model->predict(sampleMat);  //进行预测，返回1或-1
    
    			if (response == 1)
    				image.at<Vec3b>(i, j) = green;
    			else if (response == -1)
    				image.at<Vec3b>(i, j) = blue;
    		}
    
    	// 显示训练数据
    	int thickness = -1;
    	int lineType = 8;
    	Scalar c1 = Scalar::all(0); //标记为1的显示成黑点
    	Scalar c2 = Scalar::all(255); //标记成-1的显示成白点
    								  //绘图时，先宽后高，对应先列后行
    	for (int i = 0; i < labelsMat.rows; i++)
    	{
    		const float* v = trainingDataMat.ptr<float>(i); //取出每行的头指针
    		Point pt = Point((int)v[0], (int)v[1]);
    		if (labels[i] == 1)
    			circle(image, pt, 5, c1, thickness, lineType);
    		else
    			circle(image, pt, 5, c2, thickness, lineType);
    
    	}
    
    	imshow("SVM Simple Example", image);
    	waitKey(0);
    
    }

例子2：

#include "opencv2/opencv.hpp"
    #include "opencv2/imgproc.hpp"
    #include "opencv2/highgui.hpp"
    #include "opencv2/ml.hpp"
    
    //using namespace cv;
    //using namespace cv::ml;
    
    int main(int argc, char** argv)
    {
        // visual representation
        int width = 512;
        int height = 512;
        cv::Mat image = cv::Mat::zeros(height, width, CV_8UC3);
    
        // training data
        int labels[4] = { 1, -1, -1, -1 };
        float trainingData[4][2] = { { 501, 10 }, { 255, 10 }, { 501, 255 }, { 10, 501 } };
        cv::Mat trainingDataMat(4, 2, CV_32FC1, trainingData);
        cv::Mat labelsMat(4, 1, CV_32SC1, labels);
    
        // initial SVM
        cv::Ptr<cv::ml::SVM> svm = cv::ml::SVM::create();
        svm->setType(cv::ml::SVM::Types::C_SVC);
        svm->setKernel(cv::ml::SVM::KernelTypes::LINEAR);
        svm->setTermCriteria(cv::TermCriteria(cv::TermCriteria::MAX_ITER, 100, 1e-6));
    
        // train operation
        svm->train(trainingDataMat, cv::ml::SampleTypes::ROW_SAMPLE, labelsMat);
    
        // prediction
        cv::Vec3b green(0, 255, 0);
        cv::Vec3b blue(255, 0, 0);
        for (int i = 0; i < image.rows; i++)
        {
            for (int j = 0; j < image.cols; j++)
            {
                cv::Mat sampleMat = (cv::Mat_<float>(1, 2) << j, i);
                float respose = svm->predict(sampleMat);
                if (respose == 1)
                    image.at<cv::Vec3b>(i, j) = green;
                else if (respose == -1)
                    image.at<cv::Vec3b>(i, j) = blue;
            }
        }
    
        int thickness = -1;
        int lineType = cv::LineTypes::LINE_8;
    
        cv::circle(image, cv::Point(501, 10), 5, cv::Scalar(0, 0, 0), thickness, lineType);
        cv::circle(image, cv::Point(255, 10), 5, cv::Scalar(255, 255, 255), thickness, lineType);
        cv::circle(image, cv::Point(501, 255), 5, cv::Scalar(255, 255, 255), thickness, lineType);
        cv::circle(image, cv::Point(10, 501), 5, cv::Scalar(255, 255, 255), thickness, lineType);
    
        thickness = 2;
        lineType = cv::LineTypes::LINE_8;
    
        cv::Mat sv = svm->getSupportVectors();
        for (int i = 0; i < sv.rows; i++)
        {
            const float* v = sv.ptr<float>(i);
            cv::circle(image, cv::Point((int)v[0], (int)v[1]), 6, cv::Scalar(128, 128, 128), thickness, lineType);
        }
    
    
        cv::imshow("SVM Simple Example", image);
    
    
        cv::waitKey(0);
        return 0;
    }
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12
       13
       14
       15
       16
       17
       18
       19
       20
       21
       22
       23
       24
       25
       26
       27
       28
       29
       30
       31
       32
       33
       34
       35
       36
       37
       38
       39
       40
       41
       42
       43
       44
       45
       46
       47
       48
       49
       50
       51
       52
       53
       54
       55
       56
       57
       58
       59
       60
       61
       62
       63
       64
       65
       66
       67
       68
       69
       70
       71
       72

运行的效果如下：   
![OpenCV3.1 SVM运行效果图][OpenCV3.1 SVM]

为了保证代码可读性，代码没有用`using namespace cv`或`using namespace cv::ml;`之类的代码，全部都写完整的名称，命名空间+类名。比如设置SVM的核类型为线性，写成`svm->setKernel(cv::ml::SVM::KernelTypes::LINEAR);`。当然，这个只是一处地方，其他的请自己阅读。

## 代码的注意事项 ##

虽然，大家的目标很明确：导入训练数据+label –> Mat, 训练，预测，显示这些目标。但是仍然避免不了代码错误。下面就是我遇到的代码的问题。

### 标签以及变成Mat的数据类型 ###

其实，在本代码中出现了一种情况就是数据类型，下面均以标签为例：   
这个是OpenCV3.0、OpenCV3.1正确的代码：

int labels[4] = { 1, -1, -1, -1 }; cv::Mat labelsMat(4, 1, CV_32SC1, labels);
     
      
       1
       2

下面是OpenCV 2.X 正确代码

float labels[4] = {1.0, -1.0, -1.0, -1.0}; Mat labelsMat(3, 1, CV_32FC1, labels);
     
      
       1
       2

如果将OpenCV 2.X的代码换到OpenCV 3.1、OpenCV3.0代码会有什么样子的结果呢？   
![这里写图片描述][20160415155308429]   
这个很熟悉吧所以，如果傻乎乎的换，这个是行不通的。   
下面对于`label`和`labelMat`按照不同的情况进行分析。   
首先，这个`labelMat`和`trainingMat`到底能取哪几种类型？

下面，请看OpenCV3.1 源码中的一个部分：

void setData(InputArray _samples, int _layout, InputArray _responses,
                     InputArray _varIdx, InputArray _sampleIdx, InputArray _sampleWeights,
                     InputArray _varType, InputArray _missing)
        {
            samples = _samples.getMat(); 
            responses = _responses.getMat();
            CV_Assert( samples.type() == CV_32F || samples.type() == CV_32S );
            if( !responses.empty() )
            {
                CV_Assert( responses.type() == CV_32F || responses.type() == CV_32S );
            }
        }
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12

为了方便起见，将这个函数的代码的其他部分删除了。首先解释一下：`samples`就是训练的数据。`response`就是标签。通过上面，我们知道再来用Mat的时候，只能用`CV_32F`和`CV_32S`。所以说，如果这些矩阵不能写什么`CV_8UC1`之类的了，这个是错误的。

假设我们写其他的情况，比如

### label为int，labelsMat为CV\_32SC1 ###

这个是正确的。

### label为float，labelsMat为CV\_32FC1 ###

这个会出现错误，这个我还没有分析出来是什么原因。错误的截图如下：![错误][20160415182659547]。   
下面的错误均表示为截图所示的错误。

### label为int，labelsMat为CV\_32FC1 ###

同样的，这个是错误。当我们用Imagewatch插件去观察labelsMat的值的时候发现这个labelsMat的值为![这里写图片描述][20160415183151565]。好吧，这个很明显了。

### label为float，labelsMat为CV\_32SC1 ###

这个是可以运行的，但是结果肯定是错误的。同样的，值不对。

[OpenCV3.1 SVM]: /images/20220604/35f44657fdc844b1b894d1928e1a3c9f.png
[20160415155308429]: /images/20220604/a763d776a3ce4d408297d5bed2230016.png
[20160415182659547]: /images/20220604/a7f9ef536f3d41778fb09ddcae0c14f3.png
[20160415183151565]: /images/20220604/ad29fda86abf4a77b4b861c9781d3b61.png