[OpenCV随笔]-OpenCV3.x中SVM多分类使用（代码篇）

1. SVM介绍

占个坑，以后再说

2. OpenCV3.x下SVM接口介绍

官方文档
OpenCV3.x与OpenCV2.x中SVM的接口有了很大变化，在接口上使用了虚函数取代以前的定义。
下面介绍几个常用的接口，及其参数意义。

2.1 初始化函数

定义如下：

CV_WRAP static Ptr<SVM> create();

2.2 参数设置函数

然后是一些设置SVM参数的函数：

CV_WRAP virtual int getType() const = 0;
CV_WRAP virtual void setType(int val) = 0;

CV_WRAP virtual double getGamma() const = 0;
CV_WRAP virtual void setGamma(double val) = 0;

CV_WRAP virtual double getDegree() const = 0;
CV_WRAP virtual void setDegree(double val) = 0;

CV_WRAP virtual double getC() const = 0;
CV_WRAP virtual void setC(double val) = 0;

CV_WRAP virtual double getNu() const = 0;
CV_WRAP virtual void setNu(double val) = 0;

CV_WRAP virtual double getP() const = 0;
CV_WRAP virtual void setP(double val) = 0;

CV_WRAP virtual cv::Mat getClassWeights() const = 0;
CV_WRAP virtual void setClassWeights(const cv::Mat &val) = 0;

CV_WRAP virtual cv::TermCriteria getTermCriteria() const = 0;
CV_WRAP virtual void setTermCriteria(const cv::TermCriteria &val) = 0;

CV_WRAP virtual int getKernelType() const = 0;
CV_WRAP virtual void setKernel(int kernelType) = 0;

具体的作用可以参考OpenCV文档，这里只介绍两个常用的函数：

//设置SVM类型
CV_WRAP virtual int getType() const = 0;

这个函数用于设置SVM类型，OpenCV提供了五种类型：

Types { 
    //C类支持向量分类机。 n类分组 （n≥2），容许用异常值处罚因子C进行不完全分类。
    C_SVC =100, 

    //$v$类支持向量机
    NU_SVC =101, 

    //单分类器，所有的练习数据提取自同一个类里，
    //然后SVM建树了一个分界线以分别该类在特点空间
    //中所占区域和其它类在特点空间中所占区域。
    ONE_CLASS =102, 

    EPS_SVR =103, 

    NU_SVR =104 
}

一般我们使用SVM进行二分类或者多分类任务，选择第一种SVM::C_SVC即可。
还有一个函数就是：

CV_WRAP virtual void setKernel(int kernelType) = 0;

这个函数用于设置SVM的核函数类型，我们知道，通过选择SVM的核函数可以使SVM处理高阶、非线性问题。OpenCV提供几种核函数：

enum KernelTypes {
    /** Returned by SVM::getKernelType in case when custom kernel has been set */
    CUSTOM=-1,
    
    //线性核
    LINEAR=0,
    
    //多项式核
    POLY=1,
    
    //径向基核（高斯核）
    RBF=2,
    
    //sigmoid核
    SIGMOID=3,
    
    //指数核，与高斯核类似
    CHI2=4,
    
    //直方图核
    INTER=5
};

一般情况下使用径向基核可以很好处理大部分情况。

2.3 训练函数

OpenCV3.x中SVM的提供了训练函数也与2.x不同，如下：

virtual bool trainAuto( const Ptr<TrainData>& data, int kFold = 10,
                ParamGrid Cgrid = getDefaultGrid(C),
                ParamGrid gammaGrid  = getDefaultGrid(GAMMA),
                ParamGrid pGrid      = getDefaultGrid(P),
                ParamGrid nuGrid     = getDefaultGrid(NU),
                ParamGrid coeffGrid  = getDefaultGrid(COEF),
                ParamGrid degreeGrid = getDefaultGrid(DEGREE),
                bool balanced=false) = 0;

bool trainAuto (InputArray samples, int layout, InputArray responses, 
                int kFold=10, Ptr< ParamGrid > Cgrid=SVM::getDefaultGridPtr(SVM::C), 
                Ptr< ParamGrid > gammaGrid=SVM::getDefaultGridPtr(SVM::GAMMA), 
                Ptr< ParamGrid > pGrid=SVM::getDefaultGridPtr(SVM::P), 
                Ptr< ParamGrid > nuGrid=SVM::getDefaultGridPtr(SVM::NU), 
                Ptr< ParamGrid > coeffGrid=SVM::getDefaultGridPtr(SVM::COEF), 
                Ptr< ParamGrid > degreeGrid=SVM::getDefaultGridPtr(SVM::DEGREE), 
                bool balanced=false)

trainAuto可以在训练过程中自动优化2.2中的那些参数，而使用train函数时，参数被固定，所以推荐使用trainAuto函数。
在准备训练数据的时候，有下面几点需要注意，否则函数会报错

1. SVM的训练函数是ROW_SAMPLE类型的，也就是说，送入SVM训练的特征需要reshape成一个行向量，所有训练数据全部保存在一个Mat中，一个训练样本就是Mat中的一行，最后还要讲这个Mat转换成CV_32F类型，例如，如果有\(k\)个样本，每个样本原本维度是\((h, w)\)，则转换后Mat的维度为\((k, h * w)\)
2. 对于多分类问题，label矩阵的行数要与样本数量一致，也就是每个样本要在label矩阵中有一个对应的标签，label的列数为1，因为对于一个样本，SVM输出一个值，我们在训练前需要做的就是设计这个值与样本的对应关系。对于有\(k\)个样本的情况，label的维度是\((k, 1)\)

2.4 预测函数

函数定义如下：

float predict(cv::InputArrat samples, cv::OutputArray results = noArray(), int flags = 0) const;

其中samples就是需要预测的样本，这里样本同样要转换成ROW_SAMPLE和CV_32F格式，对于单个测试样本的情况，预测结果直接通过函数返回值返回，而如果samples中有多个样本，就需要穿进result参数，预测结果以列向量的方式保存在result数组中。假如有\(k\)个样本，每个样本原本的维度为\((h, w)\)，则samples的维度为\((k, h * w)\)，最终预测结果result维度为\((k, 1)\)

3. 例程

下面上代码：

/*
* 把图片从vector<Mat>格式转换成SVM的RAW_SAMPLE格式
*/
void transform(const vector<Mat> &split, Mat &testData)
{
    for (auto it = split.begin(); it != split.end(); it++){
        Mat tmp;
        resize(*it, tmp, Size(28, 28));
        testData.push_back(tmp.reshape(0, 1));
    }

    testData.convertTo(testData, CV_32F);
}

/*
* 从文件list.txt中读取测试数据和标签，输出SVM的Mat格式
*/
void get_data(string path, Mat &trainData, Mat &trainLabels)
{
    fstream io(path, ios::in);
    if (!io.is_open()){
        cout << "file open error in path : " << path << endl;
        exit(0);
    }

    while (!io.eof())
    {
        string msg;
        io >> msg;

        trainData.push_back(imread(msg, 0).reshape(0, 1));

        io >> msg;
        int idx = msg[0] - '0';
        //trainLabels.push_back(Mat_<int>(1, 1) << idx);  //用这种方式会报错，原因尚且不明
        trainLabels.push_back(Mat(1, 1, CV_32S, &idx));
    }

    trainData.convertTo(trainData, CV_32F);
}

/*
* 训练SVM
*/
void svm_train(Ptr<SVM> &model, Mat &trainData, Mat &trainLabels)
{
    model->setType(SVM::C_SVC);     //SVM类型
    model->setKernel(SVM::LINEAR);  //核函数，这里使用线性核

    Ptr<TrainData> tData = TrainData::create(trainData, ROW_SAMPLE, trainLabels);

    cout << "SVM: start train ..." << endl;
    model->trainAuto(tData);
    cout << "SVM: train success ..." << endl;
}

/*
* 利用训练好的SVM预测
*/
void svm_pridect(Ptr<SVM> &model, Mat test)
{
    Mat result;
    float rst = model->predict(test, result);
    for (auto i = 0; i < result.rows; i++){
        cout << result.at<float>(i, 0);
    }
}

int main(int argc, const char** argv)
{
    fstream io;
    io.open("test_list.txt", ios::in);

    string train_path = "train_list.txt";
        
    vector<Mat> test_set;
    get_test(io, test_set);

    Ptr<SVM> model = SVM::create();
    Mat trainData, trainLabels;
    get_data(train_path, trainData, trainLabels);
    svm_train(model, trainData, trainLabels);

    Mat testData;
    transform(test_set, testData);
    svm_pridect(model, testData);
}

trian_list.txt文件格式是这样的：

D:\ImgPro\Project\for\char\code\beta00\train_data\0\0-1.jpg		0
D:\ImgPro\Project\for\char\code\beta00\train_data\0\0-2.jpg		0

每行前一段表示训练图片地址，最后的数字表示这个图片对应标签
test_list.txt中格式与train_list.txt差不多，只是没有了标签。