svm图像二分类实例代码

这里是一个基于SVM进行图像二分类的示例代码：

import cv2
import numpy as np
from sklearn import svm
from sklearn.model_selection import train_test_split

# 读取数据集
data = []
labels = []
for i in range(1, 11):
    for j in range(1, 6):
        img = cv2.imread(f'data/{i}_{j}.jpg', cv2.IMREAD_GRAYSCALE)
        img = cv2.resize(img, (128, 128))
        data.append(img.reshape(-1))
        labels.append(i)

# 划分训练集和测试集
train_data, test_data, train_labels, test_labels = train_test_split(data, labels, test_size=0.3)

# 训练SVM模型
clf = svm.SVC(kernel='linear')
clf.fit(train_data, train_labels)

# 预测测试集
pred_labels = clf.predict(test_data)

# 计算准确率
accuracy = np.mean(pred_labels == test_labels)
print(f'Accuracy: {accuracy}')

在这个例子中，我们使用了一个包含10个类别的数据集，每个类别包含5张大小不一的灰度图像。我们先将每张图像转化为一维向量，并将它们作为训练数据。然后，我们使用`train_test_split`函数将训练数据划分为训练集和测试集，其中测试集占总数据的30%。接着，我们训练一个`SVC`模型，使用线性核函数。最后，我们用训练好的模型预测测试集，并计算准确率。