svm图像二分类实例代码

以下是使用 SVM 进行图像二分类的示例代码，其中使用的是 scikit-learn 库：

import numpy as np
import cv2
from sklearn import svm

# 读取训练集和测试集
train_data = np.load('train_data.npy')
train_labels = np.load('train_labels.npy')
test_data = np.load('test_data.npy')
test_labels = np.load('test_labels.npy')

# 将图像数据转换为一维数组
train_data = np.reshape(train_data, (train_data.shape[0], -1))
test_data = np.reshape(test_data, (test_data.shape[0], -1))

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

# 预测测试集图像的标签
predictions = clf.predict(test_data)

# 计算分类准确率
accuracy = np.sum(predictions == test_labels) / len(test_labels)
print("分类准确率为：", accuracy)

在上述代码中，我们首先读取了训练集和测试集的图像数据和标签，并将图像数据转换为一维数组。然后，我们使用 scikit-learn 库中的 SVM 模型进行训练，并对测试集图像进行分类预测。最后，我们计算分类准确率并输出结果。