在好例子网,分享、交流、成长!
您当前所在位置:首页C/C++ 开发实例Android手机应用开发 → SVM多分类 机器学习示例源码(MachineLearning)

SVM多分类 机器学习示例源码(MachineLearning)

Android手机应用开发

下载此实例
  • 开发语言:C/C++
  • 实例大小:51.21M
  • 下载次数:39
  • 浏览次数:1141
  • 发布时间:2019-03-31
  • 实例类别:Android手机应用开发
  • 发 布 人:crazycode
  • 文件格式:.rar
  • 所需积分:2
 相关标签: 学习 源码 svm 机器

实例介绍

【实例简介】

【实例截图】

from clipboard


【核心代码】

//SVM多分类训练测试 
#include <opencv2/core/core.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/ml/ml.hpp> 
#include <opencv2/opencv.hpp>  
#include <iostream>  
#include <fstream>  

using namespace cv;
using namespace std;
Size imageSize = Size(64, 64);

void coumputeHog(const Mat& src, vector<float> &descriptors)
{
	HOGDescriptor myHog = HOGDescriptor(imageSize, Size(16, 16), cvSize(8, 8), cvSize(8, 8), 9);
	myHog.compute(src.clone(), descriptors, Size(1, 1), Size(0, 0));

}

int main(int argc, char** argv)
{
	ifstream inLabels, inImages, inTestimage;
	inLabels.open("myImageLabels2.txt");		//训练图像标记
	inImages.open("myImageList2.txt");		//训练图像
	inTestimage.open("myImagetest3.txt");	//测试图像


	CvSVM *mySVM = new CvSVM();	//定义SVM分类器
	CvSVMParams params = CvSVMParams();	//定义SVM的参数集

	params.svm_type = CvSVM::C_SVC;		//SVM的类型:C_SVC表示SVM分类器,C_SVR表示SVM回归
	params.kernel_type = CvSVM::LINEAR;	//核函数类型: 线性核LINEAR:
	params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 10000, 1e-10);
	//迭代的终止条件:CV_TERMCRIT_ITER---在完成最大的迭代次数之后,停止算法;10000 最大的迭代次数;1e-10要求的精确度

	vector<float> vecDescriptors;	//统计每个cell的梯度直方图(不同梯度的个数),即可形成每个cell的descriptor

#if(1) //条件编译。用常量来表示是否需要训练  
	//======================将图像和标签数据保存到容器结构中=================================
	string train_images;
	Mat original_image;
	Mat same_size;
	int train_labels;

	vector<Mat> vecImages;	//用来存放训练图像集
	vector<int> vecLabels;	//用来存放对应的标签

	while (inImages.good() && inLabels.good())
	{
		inImages >> train_images;
		inLabels >> train_labels;
		cout << "训练图像数据路径:" << train_images << endl;
		cout << "训练图像数据标签:" << train_labels << endl;

		original_image = imread(train_images);
		cv::cvtColor(original_image, original_image, CV_BGR2GRAY);
		cv::resize(original_image, same_size, imageSize);
		//imshow("original", same_size);

		vecImages.push_back(same_size);
		vecLabels.push_back(train_labels);
	}

	inImages.close();
	inLabels.close();
	//================================================================================
	Mat dataDescriptors;
	Mat dataResponse = (Mat)vecLabels;
	for (size_t i = 0; i < vecImages.size(); i  )
	{
		Mat src = vecImages[i];
		Mat tempRow;
		coumputeHog(src, vecDescriptors);	//HOG特征是方向梯度直方图特征,将得到的结果保存到vecDescriptors容器中
		if (i == 0)
		{
			dataDescriptors = Mat::zeros(vecImages.size(), vecDescriptors.size(), CV_32FC1);
			//dataDescriptors的行数等于训练图像数量,列数等于HOG特征数量的Mat数据
		}
		tempRow = ((Mat)vecDescriptors).t();	//t()表示转置运算,将列向量变为行向量
		tempRow.row(0).copyTo(dataDescriptors.row(i));	//将得到的特征复制到dataDescriptors矩阵中,
	}

	mySVM->train(dataDescriptors, dataResponse, Mat(), Mat(), params);	//训练数据
	//string svmName = to_string(88)   "_mysvm.xml";
	string svmName = "mysvm.xml";
	mySVM->save(svmName.c_str());	//c_str()将string类型转变为char*类型
#else  

	mySVM->load("mysvm.xml");
#endif  

	//=====================对测试图像数据预测=================================  
	string testPath;
	string Window_name;
	Mat test_image;
	Mat same_test;

	vector<float> imageDescriptor;
	int number = 0;

	cout << endl << endl << "=====测试实验开始=====" << endl;
	while (inTestimage.good())
	{
		inTestimage >> testPath;
		cout << "测试图像数据路径:" << testPath << endl;

		test_image = imread(testPath);
		cv::cvtColor(test_image, test_image, CV_BGR2GRAY);
		cv::resize(test_image, same_test, imageSize);

		Window_name = "test image"   cv::format("%.4d", number);
		imshow(Window_name, same_test);

		coumputeHog(same_test, imageDescriptor);
		Mat testDescriptor = Mat::zeros(1, imageDescriptor.size(), CV_32FC1);
		for (int j = 0; j < imageDescriptor.size(); j  )
		{
			testDescriptor.at<float>(0, j) = imageDescriptor[j];
		}
		float  label = mySVM->predict(testDescriptor, false);	//false表示多分类,true表示二分类问题,函数返回分类结果
		cout << "第 " << number << " 张测试图片的类别为:" << label << endl;

		number  ;
		waitKey(0);
	}

	inTestimage.close();
	delete mySVM;

	//system("pause");
	return 0;
}

标签: 学习 源码 svm 机器

实例下载地址

SVM多分类 机器学习示例源码(MachineLearning)

不能下载?内容有错? 点击这里报错 + 投诉 + 提问

好例子网口号:伸出你的我的手 — 分享

网友评论

发表评论

(您的评论需要经过审核才能显示)

查看所有0条评论>>

小贴士

感谢您为本站写下的评论,您的评论对其它用户来说具有重要的参考价值,所以请认真填写。

  • 类似“顶”、“沙发”之类没有营养的文字,对勤劳贡献的楼主来说是令人沮丧的反馈信息。
  • 相信您也不想看到一排文字/表情墙,所以请不要反馈意义不大的重复字符,也请尽量不要纯表情的回复。
  • 提问之前请再仔细看一遍楼主的说明,或许是您遗漏了。
  • 请勿到处挖坑绊人、招贴广告。既占空间让人厌烦,又没人会搭理,于人于己都无利。

关于好例子网

本站旨在为广大IT学习爱好者提供一个非营利性互相学习交流分享平台。本站所有资源都可以被免费获取学习研究。本站资源来自网友分享,对搜索内容的合法性不具有预见性、识别性、控制性,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,平台无法对用户传输的作品、信息、内容的权属或合法性、安全性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论平台是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二与二十三条之规定,若资源存在侵权或相关问题请联系本站客服人员,点此联系我们。关于更多版权及免责申明参见 版权及免责申明

;
报警