libSVM中的readme中文版：http://blog.csdn.net/carson2005/article/details/6539192
LibSVM的package中的Readme文件中介绍了怎样具体的使用LibSvm，可以在Dos下以命令形式进行调用，也可以用程序包中提供的GUI程序Svm-toy进行图形化的操作。svm-toy提供了store和load操作，可以很方便的手动生成数据，然后store到磁盘中。load可用来从文件中直接调用数据，包括自己手动生成的，更重要的是可用导入数据库中的数据。
以上两个方法在具体的研究开发中不够灵活，若希望自己修改部分代码，或者把软件包中的程序集成到自己的工程中，可以采用下面的方法。
LIBSVM软件包是台湾大学林智仁(Chih-Jen Lin)博士等用C++实现的LIBSVM库，可以说是使用最方便的SVM训练工具[71]。可以解决分类问题(包括C-SVC、n-SVC)、回归问题(包括e-SVR、n-SVR)以及分布估计(one-class-SVM )等问题，提供了线性、多项式、径向基和S形函数四种常用的核函数供选择，可以有效地解决多类问题、交叉验证选择参数、对不平衡样本加权、多类问题的概率估计等。
但是，在Windows环境下，此软件包只提供DOS工具集(主要包括：训练工具svmtrain.exe，预测工具svmpredict.exe，缩放数据工具svmscale.exe和二维演示工具svmtoy.exe)，LIBSVM2.83版本中的训练工具和预测工具的界面如下图3.2-3.3示：
图3.2 LIBSVM2.83训练工具界面
图3.3 LIBSVM2.83预测工具界面
使用这两个工具，就可以用来分类了，具体步骤如下：
(1) 把样本数据按固定格式Ⅰ保存成文本文件A；
(2) 利用训练工具，输入训练参数进行训练，并把训练出的支持向量机模型保存成文本文件B；
(3) 在预测工具中，导入训练好的支持向量机模型B，输入以固定格式Ⅱ保存的预测数据文本文件C，最终得到预测结果文件D。
具体使用细则和相关参数，可查阅林智仁博士的个人主页。
很明显，该软件包只是一个工具集，很难与既有的程序融合，但该工具包是开源的。因此，笔者通过研究该工具包中的源程序，了解了训练和预测两模块的内部运行机制，成功把LIBSVM2.83嵌入到笔者的VC++6.0程序，希望该移植方法给后人的研究带来方便。
通过上面的介绍可知LIBSVM分类的具体步骤，在源程序里面，主要由以下2个函数来实现：
(1) struct svm_model *svm_train(const struct svm_problem *prob, const struct svm_parameter *param);
该函数用来做训练，参数prob，是svm_problem类型数据，具体结构定义如下：
struct svm_problem //存储本次参加运算的所有样本(数据集)，及其所属类别。
{
int n; //记录样本总数
double *y; //指向样本所属类别的数组
struct svm_node **x; //指向一个存储内容为指针的数组
};
其中 svm_node 的结构体定义如下：
struct svm_node //用来存储输入空间中的单个特征
{
int index; //输入空间序号，假设输入空间数为m
double value; //该输入空间的值
};
如训练数据：
第1行：1 0.247782888 0.628596856 -0.386512633
第2行：1 1.044859413 0.262394802 0.415541039
第3行：1 0.046156436 -0.065052675 -0.075235815
第4行：1 0.098691635 0.006311825 -0.18457295
第5行：1 0.122520315 0.064763687 -0.024003425
............
第N行：1 -0.04467688 -0.057998721 -0.201066975
第N行：2 4.826528746 5.162318271 5.509461776
第N行：2 4.487279504 4.641476549 5.22672087
第N行：2 4.469918164 5.500489693 4.690020813
第N行：2 5.0203612 5.318683113 5.20988211
第一行数据：
| 样本所属类别 | 输入空间的值 | 输入空间的值 | 输入空间的值 |
| prob.y[0] | prob.x[0][0] | prob.x[0][1] | prob.x[0][2] |
| 1 | 0.247782888 | 0.628596856 | -0.386512633 |
所以，prob也可以说是问题的指针，它指向样本数据的类别和输入向量，在内存中的具体结构图如下：
图3.4 LIBSVM训练时，样本数据在内存中的存放结构
只需在内存中申请n*(m+1)*sizeof(struct svm_node)大小的空间，并在里面填入每个样本的每个输入空间的值，即可在程序中完成prob参数的设置。
参数param，是svm_parameter数据结构，具体结构定义如下：
struct svm_parameter // 训练参数
{
int svm_type; //SVM类型，
int kernel_type; //核函数类型
int degree; /* for poly */
double gamma; /* for poly/rbf/sigmoid */
double coef0; /* for poly/sigmoid */
/* these are for training only */
double cache_size; /* in MB 制定训练所需要的内存*/
double eps; /* stopping criteria */
double C; /* for C_SVC, EPSILON_SVR and NU_SVR ，惩罚因子*/
int nr_weight; /* for C_SVC 权重的数目*/
int *weight_label; /* for C_SVC 权重，元素个数由nr_weight 决定*/
double* weight; /* for C_SVC */
double nu; /* for NU_SVC, ONE_CLASS, and NU_SVR */
double p; /* for EPSILON_SVR */
int shrinking; /* use the shrinking heuristics 指明训练过程是否使用压缩*/
int probability; /* do probability estimates 指明是否要做概率估计*/
}
其中，SVM类型和核函数类型如下：
enum { C_SVC, NU_SVC, ONE_CLASS, EPSILON_SVR, NU_SVR }; /* svm_type */
enum { LINEAR, POLY, RBF, SIGMOID, PRECOMPUTED }; /* kernel_type */
只需申请一个svm_parameter结构体，并按实际需要设定SVM类型、核函数和各种参数的值即可完成参数param的设置。
设定完这两个参数，就可以直接在程序中调用训练函数进行训练了，该其函数返回一个struct svm_model *SVM模型的指针，可以使用svm_save_model(const char *model_file_name, const struct svm_model *model)函数，把这个模型保存在磁盘中。至此，训练函数的移植已经完成。
(2) double svm_predict(const struct svm_model *model, const struct svm_node *x);
参数model，是一个SVM模型的指针，可以使用函数struct svm_model *svm_load_model(const char *model_file_name)，导入训练时保存好的SVM模型，此函数返回一个SVM模型的指针，可以直接赋值给变量model。
参数x，是const struct svm_node结构体的指针，本意是一个输入空间的指针，但实际上，该函数执行的时候，是从参数x处计算输入空间，直到遇到单个样本数据结束标记-1才结束，也就是说，该函数运算了单个样本中的所有输入空间数据。因此，在调用此函数时，必须先把预测样本的数据按图3.4中的固定格式写入内存中。另外，该函数只能预测一个样本的值，本文需要对图像中的所有像数点预测，就要使用for循环反复调用。
该函数返回一个double类型，指明被预测数据属于哪个类。
面对两分类问题的时候，通常使用+1代表正样本，即类1；-1代表负样本，即类2。最后根据返回的double值就可以知道预测数据的类别了。
上面函数的解释表明LIBSVM做分类的具体内部实现过程。那么，就可以不用DOS工具，直接通过调用LIBSVM函数来实现分类，也就可以直接让LIBSVM嵌入到原有程序中。
下面是LIBSVM2.83移植到本文程序中做两分类的步骤：
(1) 拷贝svm.h和svm.cpp文件到源工程目录下，并添加到工程中；
(2) 用既定格式保存样本点信息到内存中，并设置好训练参数；
(3) 调用训练函数，训练得到支持向量器并以文件形式保存到磁盘；
(4) 导入训练好的支持向量器文件，调用预测函数对血细胞图像中的每一个点进行预测，并根据其返回结果进行分类。