基于opencv的神经网络算法实现两类分类问题的可视化演示

最新推荐文章于 2024-12-25 19:29:49 发布

原创最新推荐文章于 2024-12-25 19:29:49 发布 · 1.1k 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#图像 #opencv #机器学习

opencv 同时被 2 个专栏收录

4 篇文章

订阅专栏

图像处理

3 篇文章

订阅专栏

本文通过opencv实现了一个两类分类问题的神经网络算法，并详细展示了可视化过程，帮助读者理解机器学习中的图像分类。

代码由opencv文档中的SVM例程修改得到：两者的略有结果有差距

基于opencv的神经网络两类分类算法的二维空间可视化demon，希望可以帮到大家

    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 BPNetwork's parameters
     CvANN_MLP_TrainParams params;
     params.train_method=CvANN_MLP_TrainParams::BACKPROP;
     params.bp_dw_scale=0.1;
     params.bp_moment_scale=0.1;
     params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER|CV_TERMCRIT_EPS,10000,0.000001);  //设置结束条件
     //params.train_method=CvANN_MLP_TrainParams::RPROP;
     //params.rp_dw0 = 0.1;
     //params.rp_dw_plus = 1.2;
     //params.rp_dw_minus = 0.5;
     //params.rp_dw_min = FLT_EPSILON;
     //params.rp_dw_max = 50.;


     //Setup the BPNetwork
     CvANN_MLP bp;


     Mat layerSizes=(Mat_<int>(1,5) << 2,2,2,2,1);
     bp.create(layerSizes,CvANN_MLP::SIGMOID_SYM,1.0,1.0);//CvANN_MLP::SIGMOID_SYM
                                                //CvANN_MLP::GAUSSIAN
                                                //CvANN_MLP::IDENTITY
     bp.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_<float>(1,2) << i,j);
             Mat responseMat;
             bp.predict(sampleMat,responseMat);
             float* p=responseMat.ptr<float>(0);
             float response= (float)(*p) ;


             if (response >0)
                 image.at<Vec3b>(j, i)  = green;
             else
                 image.at<Vec3b>(j, i)  = 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);


         imwrite("result.png", image);        // save the image


         imshow("BP Simple Example", image); // show it to the user

运行结果：