SVM及其c++代码运用实例

最新推荐文章于 2025-05-27 15:15:08 发布

何雷

最新推荐文章于 2025-05-27 15:15:08 发布

阅读量1.6w

点赞数 7

CC 4.0 BY-SA版权

分类专栏： Machine Learning 文章标签： svm c++ 算法 opencv

本文链接：https://blog.youkuaiyun.com/helei001/article/details/18312371

Machine Learning 专栏收录该内容

14 篇文章

订阅专栏

本文深入浅出地介绍了SVM算法的基本原理，包括超平面、线性可分与不可分问题的解决策略，以及如何利用OpenCV库进行实际应用。通过实例代码演示，帮助读者理解SVM在分类任务中的工作方式。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

最近做个小东西，要用到SVM，搜索网上，发现大伙都是各种介绍理论，让我等小码农晕头转向，是故自己学习总结一下，并将代码实例展示出来，方便大家共同探讨，该代码是用opencv编写的，很容易学习滴。

1、SVM小介绍

SVM是一种用超平面定义的分类器，是一种监督的分类算法。即使用带标签的训练数据，SVM得到优化的超平面，使得两类之间的距离最大，这样有什么好处呢？显而遇见，这样可以降低噪声干扰，因为超平面到数据点的距离是最大距离的一半，只要噪声扰动不要越过超平面即可。

推导过程我就不详写了，因为这个页面写不了公式。我手写了个大概的，拍照上传，见下图：

也许你会问，这个只是对于线性可分问题的，假如对于线性不可分的呢？其实，这个担心是多余的，SVM可通过核函数升维，将不可分问题变为可分。

也许你还问，怎么使用朗格朗日乘子得到权重向量？我觉得，这个方法很常见，尤其在优化算法里面，下篇博文我会讲一下这个算法的原理及代码实现。

2、实例代码

说了那么多，该搞点实际的东西了，要不然我也成理论家了。看下面这个例子：

#include "StdAfx.h"
#include 
#include 
#include 

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(4, 1, CV_32FC1, labels);

    float trainingData[4][2] = { {501, 10}, {255, 10}, {501, 255}, {10, 501} };
    Mat trainingDataMat(4, 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_(1,2) << j,i);
            float response = SVM.predict(sampleMat);

            if (response == 1)
                image.at(i,j)  = green;
            else if (response == -1)
                 image.at(i,j)  = 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);
    }

    imshow("SVM Simple Example", image); // show it to the user
    waitKey(0);

}

运行结果：