使用SVM进行图像分类训练与预测

项目背景

本项目利用支持向量机（SVM）进行图像分类任务，旨在训练一个能够区分不同类别的模型，并对新数据进行分类预测。以下是实现过程及相关代码解释。

1. 训练阶段（train.cpp）

1.1 代码结构

#include 
   
    #include 
    
     #include 
     
      #include 
      
       #include 
       
        #include 
        
         #define _CRT_SECURE_NO_WARNINGSusing namespace std;using namespace cv;void getFiles(string path, vector
         
          & files) { // 该函数用于获取指定路径下的所有文件名，支持子目录递归 // 详细实现见文档}void get_1(Mat& trainingImages, vector
          
           & trainingLabels) { // 获取类别1的训练数据 // 1. 定义文件路径 char * filePath = "data\\train_image\\1"; // 2. 获取所有图片文件 vector
           
             files; getFiles(filePath, files); // 3. 遍历每一张图片 int number = files.size(); for (int i = 0; i < number; i++) { // 读取图片并调整大小 Mat SrcImage = imread(files[i].c_str()); resize(SrcImage, SrcImage, cv::Size(60, 256), (0, 0), (0, 0), cv::INTER_LINEAR); // 调整为单通道矩阵 SrcImage = SrcImage.reshape(1, 1); // 添加到训练数据中 trainingImages.push_back(SrcImage); trainingLabels.push_back(1); }}void get_0(Mat& trainingImages, vector
            
             & trainingLabels) { // 获取类别0的训练数据 // 代码逻辑与get_1类似 char * filePath = "data\\train_image\\0"; vector
             
               files; getFiles(filePath, files); int number = files.size(); for (int i = 0; i < number; i++) { Mat SrcImage = imread(files[i].c_str()); resize(SrcImage, SrcImage, cv::Size(60, 256), (0, 0), (0, 0), cv::INTER_LINEAR); SrcImage = SrcImage.reshape(1, 1); trainingImages.push_back(SrcImage); trainingLabels.push_back(0); }}int main() { // 1. 定义训练数据矩阵 Mat classes; Mat trainingData; // 2. 获取训练数据 vector
              
                trainingLabels; get_1(trainingImages, trainingLabels); get_0(trainingImages, trainingLabels); // 3. 将训练数据转换为OpenCV矩阵格式 trainingData = trainingImages; trainingData.convertTo(CV_32FC1); // 4. 拼接标签数据 classes = trainingLabels; // 5. 配置SVM参数 CvSVMParams SVM_params; SVM_params.svm_type = CvSVM::C_SVC; SVM_params.kernel_type = CvSVM::LINEAR; SVM_params.degree = 0; SVM_params.gamma = 1; SVM_params.coef0 = 0; SVM_params.C = 1; SVM_params.nu = 0; SVM_params.p = 0; SVM_params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 1000, 0.01); // 6. 训练SVM模型 CvSVM svm; svm.train(trainingData, classes, Mat(), Mat(), SVM_params); // 7. 保存训练结果 svm.save("svm.xml"); cout << "训练好了！！！" << endl; getchar(); return 0;}

1.2 代码解释

getFiles 函数：用于递归获取指定路径下的所有文件名，支持子目录遍历。

get_1 和 get_0 函数：分别用于获取类别1和类别0的训练数据，读取图片文件并调整大小后添加到训练数据集中。

main 函数：负责整个训练流程的配置与执行，包括数据准备、模型训练及结果保存。

2. 预测阶段（test.cpp）

2.1 代码结构

#include 
   
    #include 
    
     #include 
     
      #include 
      
       #include 
       
        #include 
        
         #include 
         
          #define _CRT_SECURE_NO_WARNINGSusing namespace std;using namespace cv;void getFiles(string path, vector
          
           & files) { // 该函数与训练阶段中的getFiles函数一致 // 详细实现见文档}int main() { // 1. 定义文件路径 char * filePath = "data\\test_image\\0"; vector
           
             files; getFiles(filePath, files); int number = files.size(); // 2. 初始化SVM模型 CvSVM svm; svm.clear(); string modelpath = "svm.xml"; // 3. 加载预训练模型 FileStorage svm_fs(modelpath, FileStorage::READ); if (!svm_fs.isOpened()) { cout << "导入模型错误" << endl; return 0; } svm.load(modelpath.c_str()); // 4. 遍历测试图片 for (int i = 0; i < number; i++) { Mat inMat = imread(files[i].c_str()); resize(inMat, inMat, cv::Size(60, 256), (0, 0), (0, 0), cv::INTER_LINEAR); Mat p = inMat.reshape(1, 1); p.convertTo(p, CV_32FC1); int response = (int)svm.predict(p); if (response == 0) { result++; } } // 5. 输出预测结果 cout << "识别个数：" << result << endl; cout << "识别率："; cout << fixed << setprecision(2) << (double)result / (double)number << endl; getchar(); return 0;}

2.2 代码解释

getFiles 函数：与训练阶段中的函数一致，用于获取指定路径下的所有文件名。

main 函数：负责整个预测流程的执行，包括模型加载、文件遍历及结果输出。

输出结果：显示测试图片的识别个数及识别率，方便用户验证模型性能。

3. 注意事项

图片尺寸一致性：在训练与预测阶段，图片大小必须保持一致，否则会导致OpenCV函数错误。

文件路径调整：确保训练与测试数据集的文件路径正确，避免路径错误。

模型优化：根据实际任务需求，调整SVM的超参数（如C、gamma等）以优化分类性能。

4. 总结

本项目通过OpenCV+SVM实现了图像分类的基本功能，代码结构清晰，易于维护与扩展。训练阶段完成模型训练，预测阶段实现了对新数据的分类识别。

转载地址：http://flsfk.baihongyu.com/

你可能感兴趣的文章