实例介绍
【实例简介】
【实例截图】
【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; }
好例子网口号:伸出你的我的手 — 分享!
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
网友评论
我要评论