支持向量机之SVM引导

视频讲解如下：

当前系列所有demo下载地址：

https://github.com/GaoRenBao/OpenCv4-Demo

不同编程语言对应的OpenCv版本以及开发环境信息如下： 

运行效果如下，三个版本运行效果都差不多的：

C#版本

C#版本需要安装“OpenCvSharp4”、“OpenCvSharp4.runtime.win”两个库才行。不然会报错。

如果需要使用“ BitmapConverter.ToBitmap”操作，则需要追加安装“OpenCvSharp4.Extensions”库。

C#版本由于使用了unsafe，所以需要做如下配置修改：

OpenCvSharp 中SVM、Ptr的使用参考资料

https://www.csharpcodi.com/csharp-examples/OpenCvSharp.ML.SVM.Create()

https://www.csharpcodi.com/csharp-examples/OpenCvSharp.Mat.Ptr(int,%20int)

代码如下：

using OpenCvSharp;
using OpenCvSharp.ML;

namespace demo
{
    internal class Program
    {
        static void Main(string[] args)
        {
            int width = 512, height = 512;
            Mat image = new Mat(height, width, MatType.CV_8UC3); //创建窗口可视化

            //// 设置训练数据
            int[] labels = { +1, -1, +1, +1 };
            Mat LabelsMat = new Mat(4, 1, MatType.CV_32SC1, labels);

            float[,] trainingData = { { 501, 10 }, { 255, 10 }, { 501, 255 }, { 10, 501 } };
            Mat trainingDataMat = new Mat(4, 2, MatType.CV_32FC1, trainingData);

            // 创建分类器并设置参数
            SVM model = SVM.Create();
            model.Type = SVM.Types.CSvc;
            model.KernelType = SVM.KernelTypes.Linear;

            // opencv3：CriteriaType.MaxIter
            // opencv4：CriteriaTypes.MaxIter
            model.TermCriteria = new TermCriteria(CriteriaTypes.MaxIter, 100, 1e-6);
            model.Train(trainingDataMat, SampleTypes.RowSample, LabelsMat); // 训练分类器

            Vec3b green = new Vec3b(0, 255, 0);
            Vec3b blue = new Vec3b(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)
                {
                    float[] testFeatureData = { j, i }; //生成测试数据
                    Mat sampleMat = new Mat(1, 2, MatType.CV_32F, testFeatureData);
                    float response = (int)model.Predict(sampleMat);//进行预测，返回1或-1
                    if (response == 1)
                        image.Set(i, j, green);
                    else
                        image.Set(i, j, blue);
                }
            }

            // 显示训练数据
            Cv2.Circle(image, 501, 10, 10, new Scalar(0, 0, 255), 2, LineTypes.Link8);
            Cv2.Circle(image, 255, 10, 10, new Scalar(0, 0, 255), 2, LineTypes.Link8);
            Cv2.Circle(image, 501, 255, 10, new Scalar(0, 0, 255), 2, LineTypes.Link8);
            Cv2.Circle(image, 10, 501, 10, new Scalar(0, 0, 255), 2, LineTypes.Link8);

            //绘图时，先宽后高，对应先列后行
            for (int i = 0; i < LabelsMat.Rows; i++)
            {
                unsafe // 允许使用不安全代码，可能导致内存泄露
                {
                    float* v = (float*)trainingDataMat.Ptr(i).ToPointer(); //取出每行的头指针
                    Point pt = new Point((int)v[0], (int)v[1]);
                    if (labels[i] == 1)
                        Cv2.Circle(image, pt.X, pt.Y, 5, new Scalar(0, 0, 0), -1, LineTypes.Link8);
                    else
                        Cv2.Circle(image, pt.X, pt.Y, 5, new Scalar(255, 255, 255), -1, LineTypes.Link8);
                }
            }
            //pictureBox1.Image = BitmapConverter.ToBitmap(image);
            Cv2.ImShow("out", image);
            Cv2.WaitKey();
        }
    }
}

C++版本

C++版本中，svm分类算法在opencv4中有了很大的变动，取消了CvSVMParams这个类，因此在参数设定上会有些改变，毛星云的版本基本上是不能跑了。

参考文章 ：https://www.cnblogs.com/denny402/p/5019233.html

代码如下：

#include <opencv2/opencv.hpp>
#include <opencv2/ml/ml.hpp>

using namespace cv;
using namespace cv::ml;

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

    float trainingData[4][2] = { { 501, 10 },{ 255, 10 },{ 501, 255 },{ 10, 501 } };
    Mat trainingDataMat(4, 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
    circle(image, Point(501, 10), 10, Scalar(0, 0, 255), 2, lineType);
    circle(image, Point(255, 10), 10, Scalar(0, 0, 255), 2, lineType);
    circle(image, Point(501, 255), 10, Scalar(0, 0, 255), 2, lineType);
    circle(image, Point(10, 501), 10, Scalar(0, 0, 255), 2, lineType);

    //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);
}

Python版本

Ptr操作在Python中的操作方法好像没有，所以目前只能用其他方法了。

import cv2
import numpy as np

# 创建窗口可视化
image = np.ones((512, 512, 4), np.uint8)

# 设置训练数据
labels = (1, -1, 1, 1)
LabelsMat = np.array(labels)
# LabelsMat转换成4行1列的矩阵
LabelsMat = LabelsMat.reshape(4, 1)

# 数据集一定要设置成浮点型
trainingDataMat = np.array([[501, 10], [255, 10], [501, 255], [10, 501]], dtype='float32');
trainingDataMat = trainingDataMat.reshape(4, 2)

# 创建分类器
svm = cv2.ml.SVM_create()
# 设置svm类型
svm.setType(cv2.ml.SVM_C_SVC)
# 核函数
svm.setKernel(cv2.ml.SVM_LINEAR)
# 训练
svm.train(trainingDataMat, cv2.ml.ROW_SAMPLE, LabelsMat)

imgH = image.shape[0]
imgW = image.shape[1]
for i in range(imgH):
    for j in range(imgW):
        arrayTest = np.empty(shape=[0, 2], dtype='float32')
        arrayTest = np.append(arrayTest, [[i, j]], axis=0)
        pt = np.array(arrayTest, dtype='float32')
        response = svm.predict(pt)[1]  # 进行预测，返回1或-1
        if response[0][0] == 1:
            image[i, j] = [0, 255, 0, 0]
        else:
            image[i, j] = [255, 0, 0, 0]

# 显示训练数据
image = cv2.circle(image, (501, 10), 10, (0, 0, 255), 2)
image = cv2.circle(image, (255, 10), 10, (0, 0, 255), 2)
image = cv2.circle(image, (501, 255), 10, (0, 0, 255), 2)
image = cv2.circle(image, (10, 501), 10, (0, 0, 255), 2)

# 绘图时，先宽后高，对应先列后行
imgH = LabelsMat.shape[0]
for i in range(imgH):
    v = trainingDataMat[i]
    x = v[0]
    y = v[1]
    if labels[i] == 1:
        image = cv2.circle(image, (int(x), int(y)), 5, (0, 0, 0), -1)
    else:
        image = cv2.circle(image, (int(x), int(y)), 5, (255, 255, 255), -1)

cv2.imshow("image", image)
cv2.waitKey(0)