机器学习之-利用svm(支持向量机)分类（opencv3）

关注

转载最新推荐文章于 2026-05-02 06:21:14 发布 972 阅读 AI 写同款· GEO 优化 ›

【OpenCV3.3】SVM与字符分类示例 SVM，全称Support Vector Machine，即支持向量机，是机器学习中常用的分类器(同样支持向量回归)，属监督式学习的一种。在二值分类中，SVM通过寻找一个决策最优分类超平面来尽可能地将两类样本分开(最大分类间隔)并作为分类的判据，以期得到较强的泛化能力，我们所指的训练(train)主要就是寻找这个超平面。如果你看过相关推导，会发现原本复杂的问题被一步步等价，阅读详情

svm分类算法在opencv3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。

opencv中的svm分类代码，来源于libsvm。

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;
}