正态贝叶斯分类器CvNormalBayesClassifier的OpenCV4.0多个实例代码实战

最新推荐文章于 2024-01-09 16:36:28 发布

yueyueniaolzp

最新推荐文章于 2024-01-09 16:36:28 发布

阅读量1.2k

点赞数 2

文章标签：贝叶斯算法 OpenCV4.0 NormalBayesClassifier 代码实战多实例

本文链接：https://blog.youkuaiyun.com/yueyueniaolzp/article/details/85263859

版权

配置

硬件

普通台式机，处理器Intel(R) Xeon(R) CPU E3-1231 v3 @ 3.40GHz

安装内存RAM16.0GB

系统类型64位操作系统

软件

操作系统：Windows 7 旗舰版；Ubuntu 16.04 LTS

开发IDE：Visual Studio 2015（win7）

OpenCV version：OpenCV 4.0.0

例程类型：C++控制台简易程序

说明

OpenCV中实现的正态贝叶斯分类器Normal Bayes Classifier，而不是其他类型的贝叶斯分类器，例如朴素贝叶斯分类器Naive Bayes Classifier。正态贝叶斯分类器中样本特征属性之间不必是相互独立的，因而适用范围更广，但是只能处理特征属性是连续数值的分类问题。

源码

实例1 根据身高体重脚长预测性别

题例

例子是维基百科中英文条目Naive Bayes classifier所列举的例子。下表是某国人体特征指标的一组统计资料：

问题是，已知某人身高6英尺，体重130磅，脚掌长8英寸，利用前面的训练样本来预测该人是男还是女。

实现

// NormalBayes.cpp : 定义控制台应用程序的入口点。
//

#include "stdafx.h"
#include "opencv2/opencv.hpp"
#include "opencv2/ml.hpp"
#include <iostream>

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

void main(int argc, char** argv)
{
	//创建正态贝叶斯分类器
	Ptr<NormalBayesClassifier> model = NormalBayesClassifier::create();
    //创建训练样本
	float trainingData[8][3] =
	{
		{ 6, 180, 12 },
		{ 5.92, 190, 11 },
		{ 5.58, 170, 12 },
		{ 5.92, 165, 10 },
		{ 5, 100, 6 },
		{ 5.5, 150, 8 },
		{ 5.42, 130, 7 },
		{ 5.75, 150, 9 }
	};
	Mat trainingDataMat(8, 3, CV_32FC1, trainingData);
	cout << trainingDataMat << endl;
	
    //1代表M  -1代表F    
	int labels[8] = { 1, 1, 1, 1, -1, -1, -1, -1 };
	Mat labelsMat(8, 1, CV_32SC1, labels);
	cout << labelsMat << endl;
    //创建TrainData并进行训练
	Ptr<TrainData> tData = TrainData::create(trainingDataMat, ROW_SAMPLE, labelsMat);
	model->train(tData);

	float myData[3] = { 6, 130, 8 };        //测试样本
	Mat myDataMat(1, 3, CV_32FC1, myData);    //
	int res = model->predict(myDataMat);    //利用训练好的分类器进行测试样本预测

	cout << endl << "The result is :  " << res << endl;

	waitKey(0);
}

预测结果如下：

实例2 二分类训练结果展示

题例

算法的二分类训练展示

实现

// NormalBayes.cpp : 定义控制台应用程序的入口点。
//

#include "stdafx.h"
#include "opencv2/opencv.hpp"
#include "opencv2/ml.hpp"
#include <iostream>

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


int main(int, char**)
{
	Mat image = Mat::zeros(512, 512, CV_8UC3);

	int labels[10] = { 1, -1, 1, 1,-1,1,-1,1,-1,-1 };
	Mat labelsMat(10, 1, CV_32SC1, labels);

	float trainingData[10][2] = { { 501, 150 },{ 255, 10 },{ 501, 255 },{ 10, 501 },{ 25, 80 },
	{ 150, 300 },{ 77, 200 } ,{ 300, 300 } ,{ 45, 250 } ,{ 200, 200 } };
	Mat trainingDataMat(10, 2, CV_32FC1, trainingData);

	Ptr<NormalBayesClassifier> model = NormalBayesClassifier::create();
	Ptr<TrainData> tData = TrainData::create(trainingDataMat, ROW_SAMPLE, labelsMat);
	model->train(tData);

	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) << j, i);
			float response = model->predict(sampleMat);
			if (response == 1)
				image.at<Vec3b>(i, j) = green;
			else if (response == -1)
				image.at<Vec3b>(i, j) = blue;
		}

	//
	Scalar c1 = Scalar::all(0);
	Scalar c2 = Scalar::all(255);
	for (int i = 0; i < labelsMat.rows; i++)
	{
		const float* v = trainingDataMat.ptr<float>(i); 
		Point pt = Point((int)v[0], (int)v[1]);
		if (labels[i] == 1)
			circle(image, pt, 5, c1, -1, 8);
		else
			circle(image, pt, 5, c2, -1, 8);
	}

	imshow("NormalBayesClassifier", image);

	waitKey(0);
	return 0;
}

训练的分类器结果如下：

实例3 简单的病情诊断预测

题例

假定以下是根据医院历来可靠数据获取的体温、咳嗽、流涕三个症状的严重程度判定的三类病情，分别是冷感冒、肺炎、热感冒。根据10组数据进行训练，然后输入一位病人的数据，自动进行诊断病情，以下是训练数据：

输入病人的数据为：体温-40、咳嗽-8、流涕-10，诊断结果为何。

实现

// NormalBayes.cpp : 定义控制台应用程序的入口点。
//

#include "stdafx.h"
#include "opencv2/opencv.hpp"
#include "opencv2/ml.hpp"
#include <iostream>

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

int main(int argc, char** argv)
{
	//创建正态贝叶斯分类器
    Ptr<NormalBayesClassifier> model = NormalBayesClassifier::create();
    //已知训练样本数据
	float trainingData[10][3] = { 
		{ 34,1,1},
		{ 35,2,2},
		{ 36,3,3},
		{ 37,8,4},
		{ 38,9,5},
		{ 39,10,6},
		{ 40,7,7},
		{ 41,4,8},
		{ 42,5,9},
		{ 43,6,10} 
	};
	Mat trainingDataMat(10, 3, CV_32FC1, trainingData);
    //标签值，1代表冷感冒，-1代表肺炎，0代表热感冒
	float responses[10] = { 1,1,1,-1,-1,-1,0,0,0,0 };
	Mat responsesMat(10, 1, CV_32SC1, responses);
	
    //创建TrainData并进行分类器的训练
	Ptr<TrainData> tData = TrainData::create(trainingDataMat, ROW_SAMPLE, responsesMat);
	model->train(tData);

    //已知的测试样本导入并进行分类器预测	
    float myData[3] = { 40, 8, 10 }; //
	Mat myDataMat(1, 3, CV_32FC1, myData);
	float r = model->predict(myDataMat);
	int result = r;

	//结果输出
    string output;
	switch (result)
	{
		case 1:
			output = "Cold-cold";
			break;
		case -1:
			output = "Pneumonia";
			break;
		case 0:
			output = "Hot-cold";
			break;
		default:
			output = "Healthy";
			break;
	}
	cout << endl << "The patient's disease was diagnosed as :  " << output << endl << endl;

	system("pause");
	return 0;
}

病情预测结果为：