OpenCV机器学习（9）向量机（Support Vector Machine, SVM）cv::ml::SVM

OpenCV版本：OpenCV4.9
IDE:Visual Studio Code
编程语言：C++11

算法描述

cv::ml::SVM 是 OpenCV 机器学习模块中的一部分，用于实现支持向量机（Support Vector Machine, SVM）。SVM 是一种强大的监督学习算法，主要用于分类和回归分析。它通过找到一个最优的超平面来区分不同类别的数据点，或者在回归任务中预测连续值。

主要特点

二分类与多分类：虽然SVM本质上是为二分类问题设计的，但OpenCV中的SVM可以通过一对多策略处理多分类问题。
核函数支持：支持线性、多项式、RBF（径向基函数）、Sigmoid等多种核函数，允许非线性分类。
参数调节：提供了多种参数调节选项，如惩罚因子C、核函数参数等，以优化模型性能。

常用成员函数

以下是一些常用的 cv::ml::SVM 类成员函数：

创建模型实例
- Ptr create()：创建一个新的 SVM 模型实例。
设置模型参数
- void setType(int val)：设置SVM类型（如 C_SVC, NU_SVC, ONE_CLASS, EPS_SVR, NU_SVR）。
- void setKernel(int val)：设置使用的核函数类型（如 LINEAR, POLY, RBF, SIGMOID）。
- void setC(double val)：设置SVM的惩罚参数C，默认值为1。
- void setGamma(double val)：设置核函数的gamma参数（对于RBF、POLY、SIGMOID核）。
- void setDegree(double val)：设置多项式核的度数。
- void setCoef0(double val)：设置核函数的系数0（对于POLY、SIGMOID核）。
- void setNu(double val)：设置ν-SVC、ν-SVR中的ν参数。
- void setP(double val)：设置ε-SVR中的ε值。

训练模型

bool train(const Ptr& trainData, int flags=0)：使用提供的训练数据进行训练。
bool train(InputArray samples, int layout, InputArray responses)：另一种形式的训练函数，直接接受样本和响应矩阵作为输入。

预测

float predict(InputArray samples, OutputArray results=noArray(), int flags=0) const：对新样本进行预测，并返回每个样本的类别标签或预测值（取决于标志）。

加载与保存模型

void save(const String& filename) const：将模型保存到文件。
static Ptr load(const String& filename)：从文件加载模型。

代码示例

cpp 复制代码

#include <iostream>
#include <opencv2/ml.hpp>
#include <opencv2/opencv.hpp>

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

int main()
{
    // 准备训练数据
    Mat samples = ( Mat_< float >( 4, 2 ) << 0.5, 1.0, 1.0, 1.5, 2.0, 0.5, 1.5, 0.0 );

    Mat responses = ( Mat_< int >( 4, 1 ) << 0, 0, 1, 1 );

    // 确保数据和标签是正确的类型
    if ( samples.type() != CV_32F )
    {
        samples.convertTo( samples, CV_32F );
    }
    if ( responses.type() != CV_32S )
    {  // 对于分类任务，标签通常是整数类型
        responses.convertTo( responses, CV_32S );
    }

    // 创建并配置 SVM 模型
    Ptr< SVM > svm_model = SVM::create();
    svm_model->setType( SVM::C_SVC );  // 设置SVM类型为C-SVC
    svm_model->setKernel( SVM::RBF );  // 使用RBF核函数
    svm_model->setC( 1 );              // 设置惩罚参数C
    svm_model->setGamma( 0.5 );        // 设置RBF核的gamma参数

    // 使用TrainData创建训练数据对象
    Ptr< TrainData > trainData = TrainData::create( samples, ROW_SAMPLE, responses );

    // 训练模型
    bool ok = svm_model->train( trainData );
    if ( ok )
    {
        // 保存模型
        svm_model->save( "svm_model.yml" );

        // 对新样本进行预测
        Mat sample     = ( Mat_< float >( 1, 2 ) << 1.6, 0.7 );
        float response = svm_model->predict( sample );

        cout << "The predicted response for the sample is: " << response << endl;
    }
    else
    {
        cerr << "Training failed!" << endl;
    }

    return 0;
}

运行结果

bash 复制代码

The predicted response for the sample is: 1