SVM基础一：一个简单的训练算法_svm训练算法-优快云博客

</pre><pre name="code" class="cpp">#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/ml/ml.hpp>

using namespace cv;
using namespace std;

int main()
{

	int width = 512, height = 512;
	Mat image = Mat::zeros(height, width, CV_8UC3);//创建一副用以显示信息的图片

	//（1）创建训练数据
	//	此练习中训练数据由一组已标记的二维点组成，
	//	他们分别属于两个不同的类；其中一类有一个点组成1，另一类由三个点组成-1
	// Data for visual representation
	float labels[4] = { 1.0, -1.0, -1.0, -1.0};//设置标签，本程序是给标签做分类和线性规划
	Mat labelsMat(4, 1, CV_32FC1, labels);//创建一个矩阵

	//函数CvSVM::train的调用将在需要的训练数据被保存成float型的Mat对象之后。
	//	因此，我们要通过上面定义的数组创建这些对象：
	// Set up training data
	float trainingData[4][2] = { { 501, 10 }, { 255, 10 }, { 501, 255 }, { 10, 501 } };
	Mat trainingDataMat(4, 2, CV_32FC1, trainingData);// Mat(int rows, int cols, int type, const Scalar& s);

	//（2）创建SVM的参数
	//	本篇指导中，我们用最简单的例子介绍了SVM理论，
	//	其中训练样本可以被线性地区分为两类。但是，SVM能被用于各种问题
	//	（例如，数据的非线性分类问题，SVM使用一个核函数来提升样本维度等等）。
	//	基于这一结论，我们在训练SVM之前必须定义一些参数。这些参数被保存在CvSVMParams类的对象中。

	// 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);

	//（3）训练SVM
	//	我们称这个方法为CvSVM::train来创建SVM模型。
	// Train the SVM
	CvSVM SVM;
	SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);

	//（4）使用SVM区域分类
	//	CvSVM::predict是通过以训练的SVM模型来分类输入样本的方法。
	//	本例中为了着色由SVM预测的空间我们就使用这个方法。
	//	也就是说，我们遍历一副图片，把它的像素当成笛卡尔平面的点。
	//	每一个点都根据SVM的分类预测染上了颜色；如果是标记为1的类别就涂成绿色的，
	//	如果是标记为 - 1的类，就涂成蓝色的。
	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)
	{
		// create a 2x4 double-precision identity matrix Mat M = (Mat_(2,4) << 1, 0, 0, 0, 1, 0, 0, 0);
		Mat sampleMat = (Mat_<float>(1, 2) << j, i);//创建一个矩阵
		float response = SVM.predict(sampleMat);//预测这个矩阵的标签

		if (response == 1)
			image.at<Vec3b>(i, j) = green;//图像在某点的赋值
		else if (response == -1)
			image.at<Vec3b>(i, j) = blue;
	}

	// Show the training data，这是自己的
	int thickness = -1;//这个估计是实心的东西
	int lineType = 8;
	//参数为：承载的图像、圆心、半径、颜色、粗细、线型  
	circle(image, Point(501, 10), 5, Scalar(0, 0, 0), thickness, lineType);//先把几个点在图中画出来、这个是黑色
	circle(image, Point(255, 10), 5, Scalar(255, 255, 255), thickness, lineType);//白色
	circle(image, Point(501, 255), 5, Scalar(255, 255, 255), thickness, lineType);//白色
	circle(image, Point(10, 501), 5, Scalar(255, 255, 255), thickness, lineType);
	


	//（5）支持向量
	//	这里我们使用很多方法来获得支持向量的信息。方法CvSVM::get_support_vector_count
	//	输出该问题中支持向量的总数，CvSVM::get_support_vector可通过索引获取每一个支持向量。
	//	这里，我们使用这种方法找到是支持向量的训练样本并把他们标记出来。
	// Show support vectors
	thickness = 2;
	lineType = 8;
	int c = SVM.get_support_vector_count();
	cout << "支持向量的个数为--- " << c << endl;//输出的结果是 1
	for (int i = 0; i < c; ++i)
	{
		//v得出的是一个坐标，
		const float* v = SVM.get_support_vector(i);
		//scalar--标量--是将图像设置成单一灰度和颜色, Scalar(128, 128, 128)是灰色
		circle(image, Point((int)v[0], (int)v[1]), 6, Scalar(128, 128, 128), thickness, lineType);
	}

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

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

}