opencv3官方samples

最新推荐文章于 2024-04-22 09:33:54 发布

原创

最新推荐文章于 2024-04-22 09:33:54 发布 · 1.4k 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#opencv

本文详细介绍了使用OpenCV的ML模块进行二维点分类的过程，包括训练样本的准备、多种分类器（如SVM、KNN等）的使用及决策边界可视化。通过实际代码示例，展示了如何在平面上对点进行分类并预测未知点的类别。

序言：因为读西瓜书的缘故，今天跑了跑opencv3中有关ml模块的一些samples。

配置过程略去，本人直接在cpp目录下的example_cmake下修改CMakeLists.txt
在这里插入图片描述
往里面添加项目即可。😂

1.points_classfier

其中和ml模块相关的其实不少，如points_classfier
在这里插入图片描述

点分类器，该官方demo演示了使用多种ML分类器的接口来对平面上的二维点进行分类。效果如下：
在这里插入图片描述
将生成每种分类器所产生的的分类结果示意图。

准备训练样本的代码如下：

static Mat prepare_train_samples(const vector<Point>& pts)
{
   
   
    Mat samples;
    Mat(pts).reshape(1, (int)pts.size()).convertTo(samples, CV_32F);
    return samples;
}

static Ptr<TrainData> prepare_train_data()
{
   
   
    Mat samples = prepare_train_samples(trainedPoints);
    return TrainData::create(samples, ROW_SAMPLE, Mat(trainedPointsMarkers));
}

该demo整个文本如下：

#include "opencv2/core.hpp"
#include "opencv2/imgproc.hpp"
#include "opencv2/ml.hpp"
#include "opencv2/highgui.hpp"
#ifdef HAVE_OPENCV_OCL
#define _OCL_KNN_ 1 // select whether using ocl::KNN method or not, default is using
#define _OCL_SVM_ 1 // select whether using ocl::svm method or not, default is using
#include "opencv2/ocl/ocl.hpp"
#endif

#include <stdio.h>

using namespace std;
using namespace cv;
using namespace cv::ml;

const Scalar WHITE_COLOR = Scalar(255,255,255);
const string winName = "points";
const int testStep = 5;

Mat img, imgDst;
RNG rng;

vector<Point>  trainedPoints;
vector<int>    trainedPointsMarkers;
const int MAX_CLASSES = 2;
vector<Vec3b>  classColors(MAX_CLASSES);
int currentClass = 0;
vector<int> classCounters(MAX_CLASSES);


#define _NBC_ 1 // normal Bayessian classifier
#define _KNN_ 1 // k nearest neighbors classifier
#define _SVM_ 1 // support vectors machine
#define _DT_  1 // decision tree
#define _BT_  1 // ADA Boost
#define _GBT_ 0 // gradient boosted trees
#define _RF_  1 // random forest
#define _ANN_ 1 // artificial neural networks
#define _EM_  1 // expectation-maximization

static void on_mouse( int event, int x, int y, int /*flags*/, void* )
{
   
   
    if( img.empty() )
        return;

    int updateFlag = 0;

    if( event == EVENT_LBUTTONUP )
    {
   
   
        trainedPoints.push_back( Point(x,y) );
        trainedPointsMarkers.push_back( currentClass );
        classCounters[currentClass]++;
        updateFlag = true;
    }

    //draw
    if( updateFlag )
    {
   
   
        img = Scalar::all(0);

        // draw points
        for( size_t i = 0; i < trainedPoints.size(); i++ )
        {
   
   
            Vec3b c = classColors[trainedPointsMarkers[i]];
            circle( img, trainedPoints[i], 5, Scalar(c), -1 );
        }

        imshow( winName, img );
   }
}

static Mat prepare_train_samples(const vector<Point>& pts)
{
   
   
    Mat samples;
    Mat(pts).reshape(1, (int)pts.size()).convertTo(samples, CV_32F);
    return samples;
}

static Ptr<TrainData> prepare_train_data()
{
   
   
    Mat samples = prepare_train_samples(trainedPoints);

最低0.47元/天解锁文章