资源简介
压缩包含一个完整的Qt控制台工程,注释详细,调试和运行成功,也可以直接移植到win32中运行。

代码片段和文件信息
/*****************************
//湖南长沙·2015-11-8
*************************/
#include
#include “opencv2\opencv.hpp“
using namespace cv;
//训练样本:红点、蓝点。待识别数据:绿点
int main(int argc char *argv[])
{
QCoreApplication a(argc argv);
// 用于保存可视化数据的矩阵
Mat image = Mat::zeros(512 512 CV_8UC3);
for(int i=0;i for(int j=0;j if(i image.ptr(i)[j]=Vec3b(25500);
else if(i<2*image.rows/3)
image.ptr(i)[j]=Vec3b(02550);
else
image.ptr(i)[j]=Vec3b(00255);
}
}
float labels[3] = {1.0 2.0 3.0};
Mat labelsMat(3 1 CV_32FC1 labels);
float trainingData[3][3] = {{25500} {02550} {00255}};
Mat trainingDataMat(3 3 CV_32FC1 trainingData);
// 设置SVM参数
CvSVMParams params;
params.svm_type = CvSVM::C_SVC;//C支持向量分类机允许用异常值惩罚因子C进行不完全分类
params.kernel_type = CvSVM::LINEAR;//使用线性内核
params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER 100 1e-6);//迭代训练过程的中止条件
// 对SVM进行训练
CvSVM SVM;
SVM.train(trainingDataMat labelsMat Mat() Mat() params);
string str1=“blue“str2=“green“str3=“red“;
for (int i = 100; i < image.rows; i+=image.rows/3){
int j=10;
int c0=image.ptr(i)[j][0];
int c1=image.ptr(i)[j][1];
int c2=image.ptr(i)[j][2];
Mat sampleMat = (Mat_(13) << c0c1c2);
float result = SVM.predict(sampleMat);//进行分类
//结果处理
if (result == 1.0)
putText(imagestr1Point(ji)FONT_HERSHEY_SIMPLEX2Scalar(255255255)28);
else if(result == 2.0)
putText(imagestr2Point(ji)FONT_HERSHEY_SIMPLEX2Scalar(255255255)28);
else if(result == 3.0)
putText(imagestr3Point(ji)FONT_HERSHEY_SIMPLEX2Scalar(255255255)28);
}
imshow(“SVM分类“ image);
waitKey(0);
return a.exec();
}
属性 大小 日期 时间 名称
----------- --------- ---------- ----- ----
文件 2167 2015-11-08 22:53 CvSVMTest\SVM\main.cpp
文件 1256 2015-11-08 22:36 CvSVMTest\SVM\SVM.pro
文件 12461 2015-11-08 22:42 CvSVMTest\SVM\SVM.pro.user
文件 247507 2015-11-08 22:53 CvSVMTest\SVM-build-desktop\debug\main.o
文件 3989151 2015-11-08 22:53 CvSVMTest\SVM-build-desktop\debug\SVM.exe
文件 5954 2015-11-08 22:37 CvSVMTest\SVM-build-desktop\Makefile
文件 5564 2015-11-08 22:37 CvSVMTest\SVM-build-desktop\Makefile.Debug
文件 5610 2015-11-08 22:37 CvSVMTest\SVM-build-desktop\Makefile.Release
目录 0 2015-11-08 22:55 CvSVMTest\SVM-build-desktop\debug
目录 0 2015-11-08 22:55 CvSVMTest\SVM-build-desktop\release
目录 0 2015-11-08 22:55 CvSVMTest\SVM
目录 0 2015-11-08 22:55 CvSVMTest\SVM-build-desktop
目录 0 2015-11-08 22:55 CvSVMTest
----------- --------- ---------- ----- ----
4269670 13
相关资源
- 信息素S型更新的耦合ACO算法及其应用
- CNN-SVM模型在抽油机井故障诊断中的应
- 支持向量机的船舶目标识别
- 基于蚁群算法优化SVM的瓦斯涌出量预
- 基于模糊聚类和SVM的瓦斯涌出量预测
- 基于CAN总线与ZigBee的瓦斯实时监测及
- SVM-Light资料,使用说明
- 果蝇算法融合SVM的开采沉陷预测模型
- BoW|Pyramid BoW+SVM进行图像分类
- 基于libsvm的图像分割代码
- 基于SVM及两类运动想象的多通道特征
- 小波包和SVM在轴承故障识别中的应用
- 林智仁教授最新版本LibSVM工具箱
- 台湾林教授的支持向量机libsvm
- 新闻分类语料
- libsvm-3.20
- 7种支持向量机SVM工具包
- A Practical Guide to Support Vector Classifica
- libSVM的代码详细解析,注释非常详细
- 台湾林志恒的LIBSVM的中文简体说明文
- SVM算法-回归拟合程序.zip
- 论文研究 - 基于协同过滤和人工神经
- 基于Grid-Search_PSO优化SVM回归预测矿井
- 新冒落带高度算法FOA-SVM预计模型
- 官方最新版本libsvm-3.23
- 基于PCA和SVM的个性化睡眠分期研究
- 基于svm四种工具箱
- 自然语言处理之文本主题判别
- 论文研究-基于优化支持向量机的人脸
- HOG+SVM实现数字识别
评论
共有 条评论