文章目录
- 前言
- 机器学习
- 例1：支持向量机（SVM）做平面向量二分类
- 例2： K邻近算法（KNearest）实现分类
- 总结
前言
- 需要下载安装OpenCV工具包的朋友，请前往 此处 ；
- 系统要求：Windows系统，LabVIEW>=2018，兼容32位和64位。
机器学习
OpenCV 的机器学习算法位于 ml 模块，主要由基于统计学的 StatModel 类实现。
StatModel 是一个基类，根据不同的算法，衍生出一系列子类。
选板如下，子目录下的函数，是子类私有方法，外部的是共有方法。
例1：支持向量机（SVM）做平面向量二分类
- 第1步：准备训练数据（TrainData）
训练数据需要两个矩阵：Samples 和 Responses，即 样本矩阵 和 响应矩阵。
在本例中，随机生成（300 * 300）平面中的200个 (x, y) 坐标，组成 （200 * 2） 的二维 Mat 作为 Samples。
然后，按照某种线性规则将上述200个坐标分成两类（用 1 和 2 代表），组成 （200 * 1）的二维 Mat 作为 Responses。
注意，Samples 矩阵的数据类型须是浮点数，Responses 矩阵的数据类型须是整型数（CV_32S)。
插入一个 TrainData 类的 create 函数，输入上述的 Samples 和 Responses，并将布局设为“ROW_SAMPLE”，即每行一个样本。由此创建的 TrainData 对象，作为将来 SVM 算法的训练数据。
- 第2步：创建SVM，设置参数并训练
插入一个 StatModel 类的 create 函数，切换多态标签至 “SVM”。
接着，插入多个 SVM 子类的私有函数 SVM_set，通过切换模式，设置不同的参数。
然后，插入一个 StatModel 类的公共函数 train，切换模式为 “TrainData”，并连接第1步准备好的TrainData对象。
- 第3步：用新样本进行预测，评估训练效果
本例遍历（300 * 300）平面的每一个像素坐标，组成（90000 * 2） 的二维 Mat 作为测试样本矩阵。
插入一个 StatModel 类的公共函数 predict，输入上述测试样本矩阵，运行后获得预测结果矩阵。
可视化：根据预测结果（1或2），对（300 * 300）平面的每一个像素进行染色。
同时把训练时的200个散点也绘制在平面上，根据分类用不同的颜色进行区分。
完整过程如下图（可视化过程略），详见范例：examples/Molitec/OpenCV/ml/ml_1(StatModel_SVM).vi
从上图中可以看出，SVM 用线性边界将平面分割成了两类，而且在靠近边界的区域，允许存在一定的样本误差。
以上是一个简单的 SVM 应用，样本是二维向量。其实 SVM 还可以用在多维向量分类上，比如一张图片的特征向量。通过 SVM 找出多维向量样本在 “超平面” 上的最佳分割方案，进而对图片进行二分类。
感兴趣的读者，可以提前看一看 features2d 模块的范例：
examples/Molitec/OpenCV/features2d/features2d_5(BOW_SVM_train).vi
例2： K邻近算法（KNearest）实现分类
K近邻算法是一种基于实例的学习方法，主要用于分类和回归任务。其核心思想是：对于一个新的、未知类别的数据点，通过计算其与已知类别训练集中的数据点的距离，找出与其最近的K个邻居，并依据这K个邻居的多数类别来决定新数据点的类别归属。
- 第1步：准备训练数据
训练数据需要两个矩阵：Samples 和 Responses，即 样本矩阵 和 响应矩阵。
本例围绕平面上的两个中心点，分别生成 50 个随机 (x, y) 坐标，组成 （100 * 2） 的二维 Mat 作为 Samples。
根据所属中心的不同，将上述100个点分类成1或2，组成 （100 * 1）的二维 Mat 作为 Responses。
数据类型要求与上文相同。本次不创建 TrainData 对象，直接使用 Samples 和 Responses 参与将来的训练。
- 第2步：创建KNearest，设置参数并训练
插入一个 StatModel 类的 create 函数，切换多态标签至 “KNearest”。
接着，插入一个或多个 KNearest子类的私有函数 KNearest_set，通过切换模式，设置不同的参数。
然后，插入一个 StatModel 类的公共函数 train，切换模式为 “Samples”，连接第1步准备好的 Samples 和 Responses ，并将布局设为“ROW_SAMPLE”。
- 第3步：引入新的样本，进行K邻近分类
插入一个 KNearest 子类的私有函数 KNearest_findNearest，设置K=5，输入新样本，运行后获得预测分类结果。
KNearest_findNearest 还有两个可选输入输出：neighborResponses 和 dist，可以返回K个相邻点的分类和距离。
完整过程如下图（可视化过程略），详见范例：examples/Molitec/OpenCV/ml/ml_2(StatModel_KNearest).vi
在上图中，新引入的样本点（150，150）位于画面中心的 “+” 标识，与其相邻的 K (5) 个点中，有3个属于1类（蓝色），有2个属于2类（红色），所以新样本的分类结果为1类。
KNearest 同样可以用于多维向量分类。通过找出 “超平面” 上K个最相邻的已知样本，对新样本进行分类。
总结
- 本系列博文作为LabVIEW工具包—OpenCV的教程，将以专栏的形式陆续发布和更新。
- 对工具包感兴趣的朋友，欢迎下载试用：秣厉科技 - LabVIEW工具包 - OpenCV
- 各位看官有什么想法、建议、吐槽、批评，或新奇的需求，也欢迎留言讨论。
