c++调用Libsvm
libSVM中的readme中文版：http://blog.csdn.net/carson2005/article/details/6539192
?
LibSVM的package中的Readme文件中介紹了怎樣具體的使用LibSvm，可以在Dos下以命令形式進行調用，也可以用程序包中提供的GUI程序Svm-toy進行圖形化的操作。svm-toy提供了store和load操作，可以很方便的手動生成數據，然后store到磁盤中。load可用來從文件中直接調用數據，包括自己手動生成的，更重要的是可用導入數據庫中的數據。
以上兩個方法在具體的研究開發中不夠靈活，若希望自己修改部分代碼，或者把軟件包中的程序集成到自己的工程中，可以采用下面的方法。
LIBSVM軟件包是臺灣大學林智仁(Chih-Jen Lin)博士等用C++實現的LIBSVM庫，可以說是使用最方便的SVM訓練工具[71]。可以解決分類問題(包括C-SVC、n-SVC)、回歸問題(包括e-SVR、n-SVR)以及分布估計(one-class-SVM )等問題，提供了線性、多項式、徑向基和S形函數四種常用的核函數供選擇，可以有效地解決多類問題、交叉驗證選擇參數、對不平衡樣本加權、多類問題的概率估計等。
但是，在Windows環境下，此軟件包只提供DOS工具集(主要包括：訓練工具svmtrain.exe，預測工具svmpredict.exe，縮放數據工具svmscale.exe和二維演示工具svmtoy.exe)，LIBSVM2.83版本中的訓練工具和預測工具的界面如下圖3.2-3.3示：
圖3.2 LIBSVM2.83訓練工具界面?
圖3.3 LIBSVM2.83預測工具界面
使用這兩個工具，就可以用來分類了，具體步驟如下：
(1)?把樣本數據按固定格式Ⅰ保存成文本文件A；
(2)?利用訓練工具，輸入訓練參數進行訓練，并把訓練出的支持向量機模型保存成文本文件B；
(3)?在預測工具中，導入訓練好的支持向量機模型B，輸入以固定格式Ⅱ保存的預測數據文本文件C，最終得到預測結果文件D。
具體使用細則和相關參數，可查閱林智仁博士的個人主頁。
很明顯，該軟件包只是一個工具集，很難與既有的程序融合，但該工具包是開源的。因此，筆者通過研究該工具包中的源程序，了解了訓練和預測兩模塊的內部運行機制，成功把LIBSVM2.83嵌入到筆者的VC++6.0程序，希望該移植方法給后人的研究帶來方便。
通過上面的介紹可知LIBSVM分類的具體步驟，在源程序里面，主要由以下2個函數來實現：
(1)?struct svm_model *svm_train(const struct svm_problem *prob, ?const struct svm_parameter *param);
該函數用來做訓練，參數prob，是svm_problem類型數據，具體結構定義如下：
struct svm_problem ? ?//存儲本次參加運算的所有樣本(數據集)，及其所屬類別。
{
int n;??????????????????????????? //記錄樣本總數
double *y;?????????????????? //指向樣本所屬類別的數組
struct svm_node **x;?? //指向一個存儲內容為指針的數組
};
其中 ?svm_node ?的結構體定義如下：
struct svm_node???????????????? //用來存儲輸入空間中的單個特征
{
?????? int index;?????????????? //輸入空間序號，假設輸入空間數為m
?????? double value;??????? //該輸入空間的值
};
如訓練數據：
第1行：1 0.247782888 0.628596856 -0.386512633
第2行：1 1.044859413 0.262394802 0.415541039
第3行：1 0.046156436 -0.065052675 -0.075235815
第4行：1 0.098691635 0.006311825 -0.18457295
第5行：1 0.122520315 0.064763687 -0.024003425
............
第N行：1 -0.04467688 -0.057998721 -0.201066975
第N行：2 4.826528746 5.162318271 5.509461776
第N行：2 4.487279504 4.641476549 5.22672087
第N行：2 4.469918164 5.500489693 4.690020813
第N行：2 5.0203612 5.318683113 5.20988211
第一行數據：
| 樣本所屬類別 | 輸入空間的值 | 輸入空間的值 | 輸入空間的值 |
| prob.y[0] | prob.x[0][0] | prob.x[0][1] | prob.x[0][2] |
| 1 | 0.247782888 | 0.628596856 | -0.386512633 |
?
所以，prob也可以說是問題的指針，它指向樣本數據的類別和輸入向量，在內存中的具體結構圖如下：
?
圖3.4 LIBSVM訓練時，樣本數據在內存中的存放結構
只需在內存中申請n*(m+1)*sizeof(struct svm_node)大小的空間，并在里面填入每個樣本的每個輸入空間的值，即可在程序中完成prob參數的設置。
參數param，是svm_parameter數據結構，具體結構定義如下：
struct svm_parameter????????? //?訓練參數
{
?????? int svm_type;??????? //SVM類型，
?????? int kernel_type;??????????? //核函數類型
?????? int degree;??????????? ?????? /* for poly */
?????? double gamma;???? ?????? /* for poly/rbf/sigmoid */
?????? double coef0;?????? ?????? /* for poly/sigmoid */
?????? ?????????????????????????????????? /* these are for training only */
?????? double cache_size; ???? /* in MB?制定訓練所需要的內存*/
?????? double eps;??? ????????????? /* stopping criteria */
?????? double C;????? ????????????? /* for C_SVC, EPSILON_SVR and NU_SVR?，懲罰因子*/
?????? int nr_weight; ? ? ? ? ? ? /* for C_SVC?權重的數目*/
?????? int *weight_label; ? ? ? /* for C_SVC?權重，元素個數由nr_weight?決定*/
?????? double* weight;?????????? /* for C_SVC */
?????? double nu;???? ????????????? /* for NU_SVC, ONE_CLASS, and NU_SVR */
?????? double p;?????? ????????????? /* for EPSILON_SVR */
?????? int shrinking;??????? /* use the shrinking heuristics?指明訓練過程是否使用壓縮*/
?????? int probability; ???? ???/* do probability estimates?指明是否要做概率估計*/
}
其中，SVM類型和核函數類型如下：
enum { C_SVC, NU_SVC, ONE_CLASS, EPSILON_SVR, NU_SVR };??? /* svm_type */
enum { LINEAR, POLY, RBF, SIGMOID, PRECOMPUTED };??????????? ?? /* kernel_type */
只需申請一個svm_parameter結構體，并按實際需要設定SVM類型、核函數和各種參數的值即可完成參數param的設置。
設定完這兩個參數，就可以直接在程序中調用訓練函數進行訓練了，該其函數返回一個struct svm_model *SVM模型的指針，可以使用svm_save_model(const char *model_file_name, const struct svm_model *model)函數，把這個模型保存在磁盤中。至此，訓練函數的移植已經完成。
?
(2)?double svm_predict(const struct svm_model *model, const struct svm_node *x);
參數model，是一個SVM模型的指針，可以使用函數struct svm_model *svm_load_model(const char *model_file_name)，導入訓練時保存好的SVM模型，此函數返回一個SVM模型的指針，可以直接賦值給變量model。
參數x，是const struct svm_node結構體的指針，本意是一個輸入空間的指針，但實際上，該函數執行的時候，是從參數x處計算輸入空間，直到遇到單個樣本數據結束標記-1才結束，也就是說，該函數運算了單個樣本中的所有輸入空間數據。因此，在調用此函數時，必須先把預測樣本的數據按圖3.4中的固定格式寫入內存中。另外，該函數只能預測一個樣本的值，本文需要對圖像中的所有像數點預測，就要使用for循環反復調用。
該函數返回一個double類型，指明被預測數據屬于哪個類。
面對兩分類問題的時候，通常使用+1代表正樣本，即類1；-1代表負樣本，即類2。最后根據返回的double值就可以知道預測數據的類別了。
上面函數的解釋表明LIBSVM做分類的具體內部實現過程。那么，就可以不用DOS工具，直接通過調用LIBSVM函數來實現分類，也就可以直接讓LIBSVM嵌入到原有程序中。
下面是LIBSVM2.83移植到本文程序中做兩分類的步驟：
(1)?拷貝svm.h和svm.cpp文件到源工程目錄下，并添加到工程中；
(2)?用既定格式保存樣本點信息到內存中，并設置好訓練參數；
(3)?調用訓練函數，訓練得到支持向量器并以文件形式保存到磁盤；
(4)?導入訓練好的支持向量器文件，調用預測函數對血細胞圖像中的每一個點進行預測，并根據其返回結果進行分類。
總結
以上是生活随笔為你收集整理的c++调用Libsvm的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Opencv 图像增强算法 图像检测结果
- 下一篇： Visual C++中 #includ