版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/yangdashi888/article/details/87801718
1、通过数组指针进行初始Mat变量:
例如:
uchar arr[4][3] = { { 1, 1,1 },{ 2, 2,2 },{ 3, 3,3 },{ 4,4, 4 } };
cv::Mat srcData(4, 3, CV_8UC1, arr);
cout << "srcData=\n" << srcData << endl;
另一个:
//这里通过指针赋值,耗时基本为零。data_ptr返回tensor第一个元素的地址。
Mat dataimg = Mat(outimg.rows, outimg.cols, CV_32F, cup_outtensor.data_ptr());
2、SVM的使用:
其中opencv 2.4.xx版本跟opencv 3.xx的版本的在svm接口上又很大不同,不同点:
a、其中2.4.xx的SVM使用的是在cv命名空间下的CvSVM,而3.xx版本的是SVM使用的是在cv::ml命名空间下的SVM。
b、其中2.4.xx的SVM是不可以返回类别的概率值,而3.xx版本的是可以返回类别的probs值,其函数为:predict2().
其它的参数设置、使用方法等基本都一样的。下面介绍的是3.xx的SVM版本代码例子:
#include <opencv2/core.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/ml.hpp>
int main()
{
// 给训练数据打上标签,对应1类和-1类
int Labels[4] = { 1, -1, -1, -1 };
cv::Mat LabelsMat(4, 1, CV_32SC1, Labels); // CV_32SC1: 32位有符号单通道矩阵
// 设置训练数据的坐标,注意要和前面的Labels对应起来
float TrainingData[4][2] = { {501., 10.}, {255., 10.}, {501., 255.}, {10., 501.} };
cv::Mat TrainingDataMat(4, 2, CV_32F, TrainingData);
// 初始化支持向量机,其要通过create创建,而且创建的对象是指针类型的。
auto SVM = cv::ml::SVM::create();
//ml::SVM* SVM = cv::ml::SVM::create(); //3.xx另一种表达方式
//CvSVM SVM; //2.4.xx的svm对象创造,感觉更简单。
SVM->setType(cv::ml::SVM::C_SVC);
SVM->setKernel(cv::ml::SVM::LINEAR);
SVM->setTermCriteria(cv::TermCriteria(cv::TermCriteria::MAX_ITER, 100, 1e-6));
SVM->train(TrainingDataMat, cv::ml::ROW_SAMPLE, LabelsMat);
// 初始化画布
constexpr auto Width = 512, Height = 512;
cv::Mat Image = cv::Mat::zeros(Height, Width, CV_8UC3);
const cv::Vec3b Green(0, 255, 0), Blue(255, 0, 0);
for (int i = 0; i < Image.rows; ++i) // 遍历画布上的每个点
{
for (int j = 0; j < Image.cols; ++j)
{
cv::Mat SampleMat = (cv::Mat_<float>(1, 2) << j, i);
auto Response = static_cast<int>(SVM->predict(SampleMat)); // 通过支持向量机预测该点的类别
// 根据取得的类别来标记颜色
if (Response == 1)
{
Image.at<cv::Vec3b>(i, j) = Green;
}
else if (Response == -1)
{
Image.at<cv::Vec3b>(i, j) = Blue;
}
}
}
// 在画布上画上训练数据所表示的点
auto Thinckness = -1;
cv::circle(Image, cv::Point(501, 10), 5, cv::Scalar(0, 0, 0), Thinckness);
cv::circle(Image, cv::Point(255, 10), 5, cv::Scalar(255, 255, 255), Thinckness);
cv::circle(Image, cv::Point(501, 255), 5, cv::Scalar(255, 255, 255), Thinckness);
cv::circle(Image, cv::Point(10, 501), 5, cv::Scalar(255, 255, 255), Thinckness);
Thinckness = 2;
auto SV = SVM->getUncompressedSupportVectors(); // 获得支持向量
for (int i = 0; i < SV.rows; ++i)
{
auto v = SV.ptr<float>(i); // 给支持向量画上灰圈
cv::circle(Image, cv::Point(static_cast<int>(v[0]), static_cast<int>(v[1])),
6, cv::Scalar(128, 128, 128), Thinckness);
}
cv::imwrite("result.png", Image);
cv::imshow("Result", Image);
cv::waitKey();
return 0;
}