原文鏈接：http://blog.csdn.net/gjy095/article/details/9243153

上一篇文章，不是很詳細(xì)，這一篇解釋的清晰些，請訪問原始鏈接。

Rtrees介紹！參考鏈接：http://docs.opencv.org/modules/ml/doc/random_trees.html

Opencv提供了幾種分類器，例程里通過字符識別來進(jìn)行說明的

1、支持向量機（SVM）：給定訓(xùn)練樣本，支持向量機建立一個超平面作為決策平面，使得正例和反例之間的隔離邊緣被最大化。

函數(shù)原型：訓(xùn)練原型 cv2.SVM.train(trainData, responses[, varIdx[, sampleIdx[, params]]])

?????????????????? 其中 trainData 為訓(xùn)練數(shù)據(jù)，responses為對應(yīng)數(shù)據(jù)的標(biāo)識，

2、K近鄰（Knearest）：K近鄰是移動惰性學(xué)習(xí)法，當(dāng)給定大量數(shù)據(jù)集時，該算法是計算密集的。最近鄰方法是基于類比學(xué)習(xí)，即通過將給定的檢驗元組與和它相似的訓(xùn)練元組進(jìn)行比較來學(xué)習(xí)。訓(xùn)練元組用n個屬性來表示。當(dāng)給定位置元組時，K近鄰找出最接近未知元組的k個訓(xùn)練元組，未知元組被分配到k個最近鄰中最多的類。

函數(shù)原型：cv2.KNearest.train(trainData, responses[, sampleIdx[, isRegression[, maxK[, updateBase]]]])

?????????????????? 其中，trainData為訓(xùn)練數(shù)據(jù)，responses為對應(yīng)的數(shù)據(jù)標(biāo)識，isRegression表示回歸運算還是訓(xùn)練，maxK為最大鄰居數(shù)

3、隨機樹（RTrees）：個體決策樹的每個節(jié)點使用隨機選擇屬性決定劃分，每一棵樹依賴于獨立的抽樣，并與森林中所有的樹具有相同的分布的隨即向量的值。分類時，每棵樹都投票并且返回得票最多的類。

函數(shù)原型：cv2.RTrees.train(trainData, tflag, responses[, varIdx[, sampleIdx[, varType[, missingDataMask[, params]]]]])

?????????????????? 其中trainData為訓(xùn)練數(shù)據(jù)，responses為對應(yīng)的數(shù)據(jù)標(biāo)識，tflag表示特征向量是行還是列表示，responses為表示對應(yīng)數(shù)據(jù)標(biāo)識

4、提升（Boost）：權(quán)重賦予每個訓(xùn)練元組。迭代的學(xué)習(xí)k個分類器，學(xué)習(xí)到分類器Mi后，更新權(quán)重，使得其后的分類器Mi+1更關(guān)注誤分類的訓(xùn)練元組。Adaboost是一種流行的提升算法。給定數(shù)據(jù)集D，它包含d個類標(biāo)記的元組。開始對每個訓(xùn)練元組賦予相等的權(quán)重1/d。為組合分類器產(chǎn)生k個基分類器。在第i輪，從D中元組進(jìn)行抽樣，形成大小為d的訓(xùn)練集Di。使用有放回抽樣--同一個元組可能被選中多次。每個元組被選中的機會由它的權(quán)重決定。從訓(xùn)練集Di導(dǎo)出分類器Mi。然后使用Di作為檢驗集計算Mi的誤差。如果元組不正確的分類，則它的權(quán)重增加。如果元組正確的分類，則它的權(quán)重減少。權(quán)重越高越可能錯誤地分類。使用這些權(quán)重為下一輪分類器產(chǎn)生訓(xùn)練樣本。

函數(shù)原型：cv2.Boost.train(trainData, tflag, responses[, varIdx[, sampleIdx[, varType[, missingDataMask[, params[, update]]]]]])

5、多層感知（MLP）：多層感知器用于解決單層神經(jīng)網(wǎng)絡(luò)不能解決非線性分類問題而提出的，訓(xùn)練多層感知器的流行方法是反向傳播，通過多層感知能夠通過多個輸入產(chǎn)生單一的輸出達(dá)到分類的結(jié)果。

函數(shù)原型：cv2.ANN_MLP.train(inputs, outputs, sampleWeights[, sampleIdx[, params[, flags]]])

代碼函數(shù)原型：

#decoding:utf-8 import numpy as np import cv2 def load_base(fn): a = np.loadtxt(fn, np.float32, delimiter=',', converters={ 0 : lambda ch : ord(ch)-ord('A') })#導(dǎo)入的字母特征數(shù)據(jù)，并將字母轉(zhuǎn)化為數(shù)字類別 samples, responses = a[:,1:], a[:,0]#將類別給responses，特征給samples return samples, responses class LetterStatModel(object): class_n = 26 train_ratio = 0.5 def load(self, fn): self.model.load(fn) def save(self, fn): self.model.save(fn) def unroll_samples(self, samples): sample_n, var_n = samples.shape#獲取特征維數(shù)和特征個數(shù) new_samples = np.zeros((sample_n * self.class_n, var_n+1), np.float32) new_samples[:,:-1] = np.repeat(samples, self.class_n, axis=0) new_samples[:,-1] = np.tile(np.arange(self.class_n), sample_n) return new_samples def unroll_responses(self, responses): sample_n = len(responses) new_responses = np.zeros(sample_n*self.class_n, np.int32) resp_idx = np.int32( responses + np.arange(sample_n)*self.class_n ) new_responses[resp_idx] = 1 return new_responses class RTrees(LetterStatModel): def __init__(self): self.model = cv2.RTrees() def train(self, samples, responses): sample_n, var_n = samples.shape var_types = np.array([cv2.CV_VAR_NUMERICAL] * var_n + [cv2.CV_VAR_CATEGORICAL], np.uint8) #CvRTParams(10,10,0,false,15,0,true,4,100,0.01f,CV_TERMCRIT_ITER)); params = dict(max_depth=10 ) self.model.train(samples, cv2.CV_ROW_SAMPLE, responses, varType = var_types, params = params) def predict(self, samples): return np.float32( [self.model.predict(s) for s in samples] ) class KNearest(LetterStatModel): def __init__(self): self.model = cv2.KNearest() def train(self, samples, responses): self.model.train(samples, responses) def predict(self, samples): retval, results, neigh_resp, dists = self.model.find_nearest(samples, k = 10) return results.ravel() class Boost(LetterStatModel): def __init__(self): self.model = cv2.Boost() def train(self, samples, responses): sample_n, var_n = samples.shape new_samples = self.unroll_samples(samples) new_responses = self.unroll_responses(responses) var_types = np.array([cv2.CV_VAR_NUMERICAL] * var_n + [cv2.CV_VAR_CATEGORICAL, cv2.CV_VAR_CATEGORICAL], np.uint8) #CvBoostParams(CvBoost::REAL, 100, 0.95, 5, false, 0 ) params = dict(max_depth=5) #, use_surrogates=False) self.model.train(new_samples, cv2.CV_ROW_SAMPLE, new_responses, varType = var_types, params=params) def predict(self, samples): new_samples = self.unroll_samples(samples) pred = np.array( [self.model.predict(s, returnSum = True) for s in new_samples] ) pred = pred.reshape(-1, self.class_n).argmax(1) return pred class SVM(LetterStatModel): train_ratio = 0.1 def __init__(self): self.model = cv2.SVM() def train(self, samples, responses): params = dict( kernel_type = cv2.SVM_LINEAR, svm_type = cv2.SVM_C_SVC, C = 1 ) self.model.train(samples, responses, params = params) def predict(self, samples): return np.float32( [self.model.predict(s) for s in samples] ) class MLP(LetterStatModel): def __init__(self): self.model = cv2.ANN_MLP() def train(self, samples, responses): sample_n, var_n = samples.shape new_responses = self.unroll_responses(responses).reshape(-1, self.class_n) layer_sizes = np.int32([var_n, 100, 100, self.class_n]) self.model.create(layer_sizes) # CvANN_MLP_TrainParams::BACKPROP,0.001 params = dict( term_crit = (cv2.TERM_CRITERIA_COUNT, 300, 0.01), train_method = cv2.ANN_MLP_TRAIN_PARAMS_BACKPROP, bp_dw_scale = 0.001, bp_moment_scale = 0.0 ) self.model.train(samples, np.float32(new_responses), None, params = params) def predict(self, samples): ret, resp = self.model.predict(samples) return resp.argmax(-1) if __name__ == '__main__': import getopt import sys models = [RTrees, KNearest, Boost, SVM, MLP] # NBayes models = dict( [(cls.__name__.lower(), cls) for cls in models] )#將名字之母字母轉(zhuǎn)為小寫 print 'USAGE: letter_recog.py [--model <model>] [--data <data fn>] [--load <model fn>] [--save <model fn>]' print 'Models: ', ', '.join(models) print args, dummy = getopt.getopt(sys.argv[1:], '', ['model=', 'data=', 'load=', 'save=']) args = dict(args) args.setdefault('--model', 'boost') args.setdefault('--data', '../letter-recognition.data') print 'loading data %s ...' % args['--data'] samples, responses = load_base(args['--data']) Model = models[args['--model']] model = Model() train_n = int(len(samples)*model.train_ratio)#獲取訓(xùn)練數(shù)據(jù)的數(shù)目 if '--load' in args: fn = args['--load'] print 'loading model from %s ...' % fn model.load(fn) else: print 'training %s ...' % Model.__name__ model.train(samples[:train_n], responses[:train_n]) print 'testing...' train_rate = np.mean(model.predict(samples[:train_n]) == responses[:train_n])#前一半進(jìn)行訓(xùn)練，并得到訓(xùn)練準(zhǔn)確率 test_rate = np.mean(model.predict(samples[train_n:]) == responses[train_n:])#后一半進(jìn)行測試，并得到測試準(zhǔn)確率 print 'train rate: %f test rate: %f' % (train_rate*100, test_rate*100) if '--save' in args: fn = args['--save'] print 'saving model to %s ...' % fn model.save(fn) cv2.destroyAllWindows()

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎勵來咯，堅持創(chuàng)作打卡瓜分現(xiàn)金大獎

總結(jié)

以上是生活随笔為你收集整理的PythonOpencv-分类器—SVM，KNearest，RTrees，Boost，MLP的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。