opencv3/C++ 机器学习-SVM应用实例：药品（胶囊）识别与分类

from：https://blog.csdn.net/akadiao/article/details/79278072

问题描述：

现对6种不同颜色药品（胶囊）分别进行图像采集，并进行类别标注（0-5）。如图所示（文末附有图像源文件链接）：

现使用胶囊的RGB通道的均值作为特征，利用SVM建立分类器模型并进行训练，然后利用训练好的模型，在多个样本混合的图像中将各类样本标记出位置并识别出其所属类别。
具体详细处理过程见代码及注释。

示例代码：

#include <iostream>
#include<opencv2/opencv.hpp>
#include<opencv2/ml.hpp>
using namespace cv;
using namespace ml;void findSamplecontours(InputArray src, OutputArrayOfArrays contours);//使用SVM进行胶囊分类
int main()
{  //样本总类别数const int classSum = 6;//每个样本选取的特征个数const int featureSum = 3;//训练样本总数const int sampleSum = 57;//每种类别对应的名称const std::string labelName[6] = {"green_peru", "brown", "darkcyan", "black", "white_brown", "saddlebrown"};//训练数据及标签Mat trainDataMat = Mat::zeros(sampleSum, featureSum, CV_32FC1);Mat labelsMat = Mat::zeros(sampleSum, 1, CV_32SC1);int k = 0;========================创建训练数据==================================for (int label = 0; label < classSum; label++){//训练图像所在文件夹std::string path = "E:/image/image/classification/capsule/pills_class_";char temp[256];sprintf_s(temp, "%d", label);path = path + temp + ".png";Mat src = imread(path);if (src.empty()){std::cout<<"can not load image. \n"<<std::endl;return -1;}//imshow("input", src);//获取每个胶囊的轮廓std::vector<std::vector<Point>>contours;findSamplecontours(src, contours);for(int i = 0; i < contours.size(); i++){if(contourArea(contours[i]) > 50){//建立掩模MASKMat mask = Mat::zeros(src.size(), src.type());drawContours(mask, contours, i, Scalar(255, 255, 255), -1);//获得MASK对应区域的图像src.copyTo(mask,mask);//求各个通道的均值Scalar maskSum = sum(mask);maskSum = maskSum/contourArea(contours[i]);//取前三个通道即BGR通道的均值作为特征for (int j = 0; j < featureSum; j++){trainDataMat.at<float>(k,j) = maskSum[j];}labelsMat.at<int>(k,0) = label;k++;}}}std::cout<<"trainDataMat: \n"<<trainDataMat<<"\n"<<std::endl;std::cout<<"labelsMat: \n"<<labelsMat<<"\n"<<std::endl;========================使用SVM训练部分==================================Ptr<SVM> model = SVM::create();  model->setType(SVM::C_SVC);  model->setKernel(SVM::POLY);model->setDegree(1.0);model->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER,100,1e-6)); model->train(trainDataMat,ROW_SAMPLE,labelsMat); ========================测试部分==================================Mat testImg = imread("E:/image/image/classification/capsule/pills_test.png");if (testImg.empty()){std::cout<<"can not load image. \n"<<std::endl;return -1;}std::vector<std::vector<Point>>testContours;findSamplecontours(testImg, testContours);//对测试图像中的样本进行逐个判断for(int i = 0; i < testContours.size(); i++){if(contourArea(testContours[i]) > 50){Mat testDataMat = Mat::zeros(1, featureSum, CV_32FC1);Mat testLabelsMat;Mat testMask = Mat::zeros(testImg.size(), testImg.type());drawContours(testMask, testContours, i, Scalar(255, 255, 255), -1);testImg.copyTo(testMask,testMask);//求各个通道的均值Scalar testMaskSum = sum(testMask);testMaskSum = testMaskSum/contourArea(testContours[i]);//取前三个通道即BGR通道的均值作为特征for (int j = 0; j < featureSum; j++){testDataMat.at<float>(0,j) = testMaskSum[j];}//使用训练好的SVM模型进行预测model->predict(testDataMat, testLabelsMat);//预测结果int testLabel = testLabelsMat.at<float>(0,0);std::cout <<"testLabel：\n"<<labelName[testLabel]<<std::endl;//在测试图像上绘制出预测结果RotatedRect minRect = minAreaRect(testContours[i]); //使用对应颜色的矩形框将样本框选中rectangle(testImg, minRect.boundingRect(),testMaskSum,2,8);putText(testImg, labelName[testLabel],Point(minRect.boundingRect().x,minRect.boundingRect().y),1, 1.5,Scalar(0,255,0),2);imshow("test image", testImg);waitKey(2000);}}waitKey();return 0;
}  void findSamplecontours(InputArray src, OutputArrayOfArrays contours)
{Mat dst,blueChannels, redChannels;std::vector<Mat>channels;//将原图像分成多个单通道图像split(src, channels);blueChannels = channels.at(0);redChannels = channels.at(2);//分别在R通道和B通道使用不同的阈值进行二值化threshold(redChannels, redChannels, 60, 255, THRESH_BINARY_INV);threshold(blueChannels, blueChannels, 100, 255, THRESH_BINARY_INV);//合并两个二值化后的区域add(blueChannels,redChannels, dst);//对获得区域进行闭操作，去除中心的小孔Mat kernel = getStructuringElement(MORPH_RECT, Size(5,5), Point(-1,-1));morphologyEx(dst,dst,CV_MOP_CLOSE,kernel);//腐蚀操作，去除部分过渡边缘Mat kernel2 = getStructuringElement(MORPH_RECT, Size(5,5), Point(-1,-1));erode(dst, dst,kernel2);//imshow("00", dst);//waitKey();Canny(dst, dst, 20, 100, 3, false);std::vector<Vec4i>hierarchy;//获取轮廓findContours(dst, contours, hierarchy, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE, Point(0,0));
}

识别结果：

训练数据、标签及测试样本标签：

opencv3/C++ 机器学习-SVM应用实例：药品（胶囊）识别与分类相关推荐

OpenCV3 Java 机器学习使用方法汇总
原文链接:OpenCV3 Java 机器学习使用方法汇总前言按道理来说,C++版本的OpenCV训练的版本XML文件,在java中可以无缝使用.但要注意OpenCV本身的版本问题.从2.4 到3 ...
【opencv机器学习】基于SVM和神经网络的车牌识别
基于SVM和神经网络的车牌识别深入理解OpenCV:实用计算机视觉项目解析本文用来学习的项目来自书籍<实用计算机视觉项目解析>第5章Number Plate Recognition 提 ...
机器学习——SVM（支持向量机）与人脸识别
目录系列文章目录一.SVM的概念与原理 1.SVM简介 2.SVM基本流程 3.SVM在多分类中的推广二.经典SVM运用于图像识别分类三.SVM运用于人脸识别 1.预处理 1.1 数据导入与处 ...
机器学习-SVM算法
机器学习-基础知识机器学习-线性回归机器学习-逻辑回归机器学习-聚类算法机器学习-决策树算法机器学习-集成算法机器学习-SVM算法文章目录支持向量机 1. 间隔与支持向量 1.1. 点 ...
文本分类学习（五）机器学习SVM的前奏-特征提取（卡方检验续集）
前言: 上一篇比较详细的介绍了卡方检验和卡方分布.这篇我们就实际操刀,找到一些训练集,正所谓纸上得来终觉浅,绝知此事要躬行.然而我在躬行的时候,发现了卡方检验对于文本分类来说应该把公式再变形一般,那样 ...
python机器学习 | SVM算法介绍及实现
本篇博客具体学习参考: 1 [机器学习]支持向量机SVM及实例应用 2 [ML]支持向量机(SVM)从入门到放弃再到掌握这两篇文章讲得特别清楚,数学推导(第一篇)也能看明白,强烈推荐学习~~ 本篇博 ...
支持向量机SVM详细原理，Libsvm工具箱详解，svm参数说明，svm应用实例，神经网络1000案例之15
目录支持向量机SVM的详细原理 SVM的定义 SVM理论 Libsvm工具箱详解简介参数说明易错及常见问题 SVM应用实例,基于SVM的股票价格预测支持向量机SVM的详细原理 SVM的定义 ...
程序员转型AI，这里有最全的机器学习介绍+应用实例
编译 | AI科技大本营参与 | 张子琦编辑 | 明明机器学习是人工智能的一个分支,已经成为当今最热门的趋势之一.据Gartner公司预测,到2020年,包括机器学习在内的人工智能(AI)技术几 ...
OpenCV支持向量机SVM的实例(附完整代码)
OpenCV支持向量机SVM的实例 OpenCV支持向量机SVM的实例 OpenCV支持向量机SVM的实例 #include <opencv2/core.hpp> #include < ...

opencv3/C++ 机器学习-SVM应用实例：药品（胶囊）识别与分类

opencv3/C++ 机器学习-SVM应用实例：药品（胶囊）识别与分类相关推荐

最新文章

热门文章