标签：machine learning opencv c++
opencv中提供的了较为完善的machine learning 模块，包含多种ml算法，极大了简化了实验过程。然而目前网上大部分的资料（包括官方文档）中关于ml模块的使用均是针对1.0风格的旧代码的，这对我们的学习造成了极大的困扰。本文将简单介绍一下如何使用opencv的ml模块进行实验。
首先，准备实验数据，我这里使用的是《模式分类》一书中第二章上机习题的部分数据，旨在进行一个简单的调用过程进行实验。实验数据如下表所示，在实际实验过程中，使用txt文档保存数据，并且没有文件头信息（实际上opencv提供了从csv文档读取数据的功能，这里简化实验没有使用该函数）。
| 类别 | 特征1 | 特征2 | 特征3 |
|---|---|---|---|
| 1 | -5.01 | -8.12 | -3.68 |
| 1 | -5.43 | -3.48 | -3.54 |
| 1 | 1.08 | -5.52 | 1.66 |
| 1 | 0.86 | -3.78 | -4.11 |
| 1 | -2.67 | 0.63 | 7.39 |
| 1 | 4.94 | 3.29 | 2.08 |
| 1 | -2.51 | 2.09 | -2.59 |
| 1 | -2.25 | -2.13 | -6.94 |
| 1 | 5.56 | 2.86 | -2.26 |
| 1 | 1.03 | -3.33 | 4.33 |
| -1 | -0.91 | -0.18 | -0.05 |
| -1 | 1.3 | -2.06 | -3.53 |
| -1 | -7.75 | -4.54 | -0.95 |
| -1 | -5.47 | 0.5 | 3.92 |
| -1 | 6.14 | 5.72 | -4.85 |
| -1 | 3.6 | 1.26 | 4.63 |
| -1 | 5.37 | -4.63 | -3.65 |
| -1 | 7.18 | 1.46 | -6.66 |
| -1 | -7.39 | 1.17 | 6.3 |
| -1 | -7.5 | -6.32 | -0.31 |
实验思路如下：
- 读取数据，并构造训练样本的特征矩阵，标记矩阵（这里使用1和-1进行标记）；
- 使用合适的分类器进行训练；
- 使用训练好的分类器进行分类（这里直接使用训练样本进行测试，便于直观看出测试结果，同时简化实验）
实验代码如下所示：
#include <opencv2/core.hpp>#include <opencv2/core/utility.hpp>#include <opencv2/highgui.hpp>#include <opencv2/ml.hpp>#include <iostream>#include <fstream>#include <vector>using namespace std;using namespace cv;using namespace cv::ml;void svm_classifier(Mat &training_data_mat, Mat &label_mat);void bayes_classifier(Mat &training_data_mat, Mat &label_mat);int main(){const int class_num = 2;const int feature_num = 3;ifstream file("E:\\programs\\Dec\\bayes_opencv\\data.txt");float value;vector<float> data_vec;while (!file.eof()){file >> value;data_vec.push_back(value);}Mat data(data_vec);data = data.reshape(0, 20);Mat training_data_mat = data.colRange(1, data.cols);Mat lable_mat(data.col(0));lable_mat.convertTo(lable_mat, CV_32SC1);cout << "bayes classifier" << endl;bayes_classifier(training_data_mat, lable_mat);cout << "svm classifier" << endl;svm_classifier(training_data_mat, lable_mat);return 0;}void svm_classifier(Mat &training_data_mat, Mat &lable_mat){SVM::Params params;params.svmType = SVM::C_SVC;params.kernelType = SVM::LINEAR;params.termCrit = TermCriteria(TermCriteria::MAX_ITER, 100, 1e-6);Ptr<SVM> svm = StatModel::train<SVM>(training_data_mat, ROW_SAMPLE, lable_mat, params);for (size_t i = 0; i != training_data_mat.rows; ++i){Mat test_mat = training_data_mat.row(i);float response = svm->predict(test_mat);cout << i + 1 << ":\t" << response << flush;MatIterator_<float> it, end;for (it = test_mat.begin<float>(), end = test_mat.end<float>(); it != end; ++it){cout << ‘\t‘ << *it << flush;}cout << endl;}}void bayes_classifier(Mat &training_data_mat, Mat &lable_mat){NormalBayesClassifier::Params params;Ptr<TrainData> train_data = TrainData::create(training_data_mat, ROW_SAMPLE, lable_mat);Ptr<NormalBayesClassifier> bayes = StatModel::train<NormalBayesClassifier>(train_data, params, 0);for (size_t i = 0; i != training_data_mat.rows; ++i){Mat test_mat = training_data_mat.row(i);float response = bayes->predict(test_mat);cout << i + 1 << ":\t" << response << flush;MatIterator_<float> it, end;for (it = test_mat.begin<float>(), end = test_mat.end<float>(); it != end; ++it){cout << ‘\t‘ << *it << flush;}cout << endl;}}
代码运行结果如图所示：
从上述代码可以看出，实验使用了SVM和normal baysian classifier两个分类器，两分类器具有相同结构的使用方式，不同的是SVM使用前需要设置合适的参数，而贝叶斯分类器不需要。实验主要使用了两个函数：
//训练Ptr<SVM> svm = StatModel::train<SVM>(training_data_mat, ROW_SAMPLE, lable_mat, params);Ptr<NormalBayesClassifier> bayes = StatModel::train<NormalBayesClassifier>(train_data, params, 0);//测试float response = svm->predict(test_mat);float response = bayes->predict(test_mat);
这里训练svm和bayes时使用了两个不同的函数，这是因为分类器类SVM和NormalBayesClassifier均继承自StatModel这个类别，它提供了两个重载的静态函数进行训练。从源代码可以看出：
template<typename _Tp> static Ptr<_Tp> train(const Ptr<TrainData>& data, const typename _Tp::Params& p, int flags=0){Ptr<_Tp> model = _Tp::create(p);return !model.empty() && model->train(data, flags) ? model : Ptr<_Tp>();}template<typename _Tp> static Ptr<_Tp> train(InputArray samples, int layout, InputArray responses,const typename _Tp::Params& p, int flags=0){Ptr<_Tp> model = _Tp::create(p);return !model.empty() && model->train(TrainData::create(samples, layout, responses), flags) ? model : Ptr<_Tp>();}
所以，实际上第二个函数使用的时候根据输入的参数samples, layout和response构造了TrainData类对象，并调用了第一个函数。这里的TrainData类即保存ml算法使用数据的类，这里不做详细分析（后期会写相关文章，分析其源代码）。samples是训练样本特征的矩阵，layout参数有ROW_SAMPLE和COL_SMAPLE两个选择，说明了样本矩阵中一行还是一列代表一个样本，response矩阵和samples矩阵相对应，说明了样本的标记，本例中为1和-1.
从上面的代码中可以看出ml算法的使用方法，实际上opencv的ml模块提供的所有分类器均继承自StatModel这个抽象类，他们的使用方法均和SVM和NormalBayesClassifier类似。其包含的所有ml算法如下：
后续内容：本文是使用opencv学习ml算法的初次尝试，后面还会介绍更多的相关内容，包括opencv的源码学习，更多的machine learning算法介绍，如何对图像进行分类等，敬请期待。
标签：machine learning opencv c++
原文地址：http://blog.csdn.net/angelazy/article/details/41947427
