opencv+svm实现图像分类代码

OpenCV中实现图像分类的SVM（支持向量机）是一种基于机器学习的算法，它需要使用一组已经标记的图像来训练模型，然后使用该模型对未知图像进行分类。

以下是实现SVM进行图像分类的基本步骤：

1. 收集数据集，包括用于训练和测试的图像。

2. 对每个图像进行特征提取，例如计算每个图像的颜色直方图、纹理、边缘等特征。

3. 将特征向量作为输入，将训练图像标记为相应的类别。训练数据集的样本应该在同一类别内相似，而不同类别之间应该有显著差异。

4. 使用OpenCV中的SVM模块对训练数据集进行训练，并调整模型参数以提高准确性。

5. 对测试数据集中的每个图像进行特征提取，并使用训练好的模型进行分类。

6. 计算分类准确率和召回率，并根据需求调整参数，以提高模型的性能。

下面是示例代码来实现基于OpenCV的SVM进行图像分类。

import cv2
import numpy as np

# 读取数据集图像及其标签
train_images = []
train_labels = []
test_images = []
test_labels = []

for i in range(1, 5):
    for j in range(1, 6):
        img = cv2.imread("dataset/%d/%d.png" % (i, j), cv2.IMREAD_GRAYSCALE) # 读取灰度图像
        if j < 4: # 训练集前3张图像
            train_images.append(img)
            train_labels.append(i)
        else: # 测试集后2张图像
            test_images.append(img)
            test_labels.append(i)

# 提取图像特征
hog = cv2.HOGDescriptor()
train_features = np.array([hog.compute(img) for img in train_images], dtype=np.float32)
test_features = np.array([hog.compute(img) for img in test_images], dtype=np.float32)

# 训练SVM分类器
svm = cv2.ml.SVM_create()
svm.setType(cv2.ml.SVM_C_SVC)
svm.setKernel(cv2.ml.SVM_LINEAR)
svm.setTermCriteria((cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 1000, 0.01))
svm.train(train_features, cv2.ml.ROW_SAMPLE, np.array(train_labels))

# 测试SVM分类器
ret, pred = svm.predict(test_features)

# 计算分类准确率和召回率
accuracy = np.mean(pred.squeeze() == np.array(test_labels))
recall = np.mean(pred.squeeze() == np.array(test_labels)[np.array(test_labels) == 1])

print("Accuracy: %.2f%%" % (accuracy * 100))
print("Recall: %.2f%%" % (recall * 100))

该示例代码演示了如何使用OpenCV的SVM实现图像分类。它使用了一个简单的数据集，由四个类别的图像（数字1-4）构成。图像特征采用HOG描述符，SVM类型为C-SVC，核函数为线性核，迭代停止条件为1000次或0.01的精度。在测试过程中，计算了分类准确率和召回率两个指标，以评估分类器的性能。