使用 SVM 支持向量机和 OpenCV 实现彩色图像分割 - CvSVM::predict

Predicts the response for input sample(s).

C++: float CvSVM::predict(const Mat& sample, bool returnDFVal=false ) const¶

C++:  float  CvSVM:: predict (const CvMat*  sample, bool  returnDFVal=false  )  const

C++:  float  CvSVM:: predict (const CvMat*  samples, CvMat*  results )  const

Python:   cv2.SVM. predict (sample [, returnDFVal ] ) → retval

Python:   cv2.SVM. predict_all (samples [, results ] ) → results

Parameters:

sample – Input sample for prediction. samples – Input samples for prediction. returnDFVal – Specifies a type of the return value. If true and the problem is 2-class classification then the method returns the decision function value that is signed distance to the margin, else the function returns a class label (classification) or estimated function value (regression). results – Output prediction responses for corresponding samples.

   float response = SVM.predict(sampleMat);

这里需要注意， sampleMat 是与上面 CV_ROW_SAMPLE 相对应的，是一行sample，例如是（B G R）,response 是lables标记的两类的标记 1 或者-1 （或其他中表示都可以）

以上的部分在大部分帖子或是博客里都能看到，接下来讲一下本文的重点，就是利用SVM进行彩色图像的分割，当然，本文所用方法略显笨拙，由于不是计算机及相关专业出身，所用许多C/c++的潜在功能使用不畅，还需努力啊。言归正传

 首先是对

SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);

中的trainingDataMat 和labelsMat 进行人为的获取和训练，并且对我们得到的目标点和背景点（姑且这么说）进行人为标记，可以将目标点标记为1，将背景点标记为-1。

例如以上这个图像，当然比较简单一些，只有蓝色图像和背景灰色图像。

目标颜色图像ForeImage， 大小为M*N, 背景图像BackImage,大小为m*n

那么trainingDataMat可以这样获取

trainingDataMat=ForeImage.reshape(1, ForeImage.rows*ForeImage.cols);//转换成1维，行数为M*N的长条矩阵，，每一行为一                                                                     //   个像素点
trainingDataMat.convertTo(trainingDataMat,CV_32FC1);//这里转换成浮点数，试过uchar的话在接下来的train时会报错

这样就将目标点转换成了向量了（可以这么理解），然后还有就是背景点，这里是将BackImage中的像素点push_back到trainingDataMat的后面了，只是需要记住，0~(M*N-1)是目标蓝色像素点，而M*N~(M*N+m*n-1)是背景像素点就好，因为我们要在之后的labelsMat中对trainingDataMat的每一个行向量进行标记，将 0~(M*N-1)标记为1，将M*N~(M*N+m*n-1)标记为-1。

	labelsMat=Mat(ForeImage.cols*ForeImage.rows + BackImage.cols*BackImage.rows,1, CV_32FC1, Scalar::all(1));
	for (int h=0;h<BackImage.rows;h++)
	{
		uchar* p_BackImage = BackImage.ptr<uchar>(h);
		for (int w=0;w<BackImage.cols;w++)
		{
			Mat m_pTemp(1,3,CV_32FC1);
			m_pTemp.at<float>(0,0) = p_BackImage[3*w+0];
			m_pTemp.at<float>(0,1) = p_BackImage[3*w+1];
			m_pTemp.at<float>(0,2) = p_BackImage[3*w+2];

			trainingDataMat.push_back(m_pTemp);
			labelsMat.at<float>(ForeImage.cols*ForeImage.rows + h*BackImage.cols + w, 0) = -1;
		}	
	}

实际上跟其他博客中讲的差不多，把 http://www.cnblogs.com/justany/archive/2012/11/23/2784125.html中的小例子贴过来了

对本文中的完整工程项目VS2010+opencv2.4.2中实现，点击这儿可以下载。

最终实现的效果图还凑合。

对于简单的两类图像的场景，该文中的方法还是比较容易实现的，对于复杂的可以尝试高斯混合模型（GMM），还在学习中。。。