SVM的每一行训练矩阵的长度

Length of each row of training matrix for SVM

本文关键字：SVM 一行      更新时间：2023-10-16

我在此处使用openCV和svm与图像一起找到了与此主题相关的出色/全面帖子/答案。但是，我想从链接中的答案中阐明一些问题。（因为我没有足够的声誉来写评论）。

我一直在做什么： 我正在使用OpenCV SVM进行培训。通过计算每个图像的归一化平均R，G和B值来获得训练矩阵的功能。在训练矩阵中，每行中有4列（或每个图像中）。这些列对应于标签（1或0）， ****在r通道****中归一化平均值， g 和 b 频道。

顺便说一句，我的原始培训文件是一个文本文件，我仍将其转换为float [] []，甚至将其转换为垫子对象，以馈入OpenCV的SVM。文件的外观：

1 0.267053 0.321014 0.411933
1 0.262904 0.314294 0.422802
。
。
0 0.29101 0.337208 0.371782
0 0.261792 0.314494 0.423714

显然，这与链接的语句相矛盾，该链接指出每行的大小必须等于image 小>。是协议还是某种规则？我只是因为应该（如果是）应该是什么意思。

我的问题是，在构造训练矩阵时，每行的长度是否必须与图像的面积或大小相对应？就像我制作的训练矩阵一样，每行的长度仅为4。这是错误的吗？

此外，是否只有3个功能（3列）用于训练足够分类/用于SVM？请指导我走正确的道路，我怀疑我是否应该继续这样做，或者是否还有其他更好的方法解决问题。

我希望我能了解更多SVM步骤背后的概念。文章或相关样本将不胜感激！

每行的大小不必等效于图像大小。这取决于您的功能。使用平均值进行图像分类是不够的。只需考虑一下图片时如何对对象进行分类即可。您不计算平均值，但您可能会查看大脑处理背景中的轮廓，连接区域，有时是单个像素值。

因此，要获得更多功能，我有一个建议。计算每个列的特征提取部分的平均值。这可能会更有用。

，对于另一个功能提取，您可以使用PCA。通常，您可以连续提供所有像素值以进行训练SVM，但即使在200*200映像中，这也是40.000个功能，哇，这是如此之多。您需要减少此功能维度而不会丢失太多信息，这意味着保留可接受的差异百分比。因此，PCA用于此，降低了特征空间维度并以可接受的速率保留差异。

我将尝试向您展示如何使用PCA降低功能空间。首先，您需要获取图像，而不是按行滚动到垫子变量：

阅读CSV ：

void read_csv（const字符串和文件名，向量和图像，向量和标签，char saparator =';'）{    std :: ifstream文件（filename.c_str（），ifstream :: in）;    如果（！文件）    {        字符串error_message ="没有给出有效的输入文件，请检查给定的文件名。";        cv_error（1，error_message）;    }    字符串线，路径，classLabel;    while（getline（文件，行））    {        链条乳（线）;        getline（lines，路径，分离器）;        getline（Liness，classLabel）;        如果（！        {            MAT IM = IMREAD（路径，0）;            images.push_back（im）;            labels.push_back（atoi（classLabel.c_str（）））;        }    }}

滚行图：

滚动图像 
Mat rollVectortoMat(const vector<Mat> &data) // data is vector of Mat images
{
   Mat dst(static_cast<int>(data.size()), data[0].rows*data[0].cols, CV_32FC1);
   for(unsigned int i = 0; i < data.size(); i++)
   {
      Mat image_row = data[i].clone().reshape(1,1);
      Mat row_i = dst.row(i);                                       
      image_row.convertTo(row_i,CV_32FC1, 1/255.);
   }
   return dst;
}

MAIN 

int main()
{
    PCA pca;
    vector<Mat> images_train;
    vector<Mat> images_test;
    vector<int> labels_train;
    vector<int> labels_test;
    read_csv("train1k.txt",images_train,labels_train);
    read_csv("test1k.txt",images_test,labels_test);
    Mat rawTrainData = rollVectortoMat(images_train);                       
    Mat rawTestData  = rollVectortoMat(images_test);                
    Mat trainLabels = getLabels(labels_train);
    Mat testLabels  = getLabels(labels_test);
    int pca_size = 500;
    Mat trainData(rawTrainData.rows, pca_size,rawTrainData.type());
    Mat testData(rawTestData.rows,pca_size,rawTestData.type());

    pca(rawTrainData,Mat(),CV_PCA_DATA_AS_ROW,pca_size);
    for(int i = 0; i < rawTrainData.rows ; i++)
        pca.project(rawTrainData.row(i),trainData.row(i));
    for(int i = 0; i < rawTestData.rows ; i++)
        pca.project(rawTestData.row(i),testData.row(i));
}

要总结，您读取了一个类似Image_path的CSV文件；标签。比滚动图像逐行滚动到垫子变量。您将PCA应用于500功能。我应用了这些PCA红色，以将200*200张图像（40000个功能）减少到500个功能大小。比我应用MLP对此进行了分类。该testdata和TrainData变量也可以与SVM一起使用。您也可以在我的帖子中检查如何使用MLP训练它：

OpenCV神经网络Sigmoid Output

如果图像的每个像素是您要训练SVM的功能，则每一行应列出所有功能，因此应列出所有像素。就您而言，看来您每个图像只有3个功能（平均R，G，B），因此没有任何问题。

当然，您可以很好地训练具有3个维度的SVM。但是忽略SVM，平均颜色是您图像的明智指标吗？

相关文章：