以下摘錄自

http://blog.csdn.net/zhaocj?viewmode=contents

Opencv2.4.9源碼分析要點摘錄

Boosting

AdaBoost的計算步驟：
1、設有n個樣本x1, …, xn，它們所希望得到的輸出（即分類）為y1, …, yn，y∈{-1, 1}；
2、初始化每個樣本的權值；
3、進行迭代：m = 1, …, M
①找到使誤差率 最小的弱分類器km(x)；
②計算km(x)的權值；
③得到新的強分類器；
④更新每個樣本的權值；
⑤對權值wi(m+1)進行歸一化處理，使∑iwi(m+1)= 1；
4、得到最終的強分類器


構建Boosting的參數：
CvBoostParams::CvBoostParams() ?
{ ?
......?
} ?


CvBoostParams::CvBoostParams( int _boost_type, int _weak_count, ?
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? double _weight_trim_rate, int _max_depth, ?
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? bool _use_surrogates, const float* _priors ) ?
{ ?
......
}


其中參數的含義為：
boost_type表示Boosting算法的類型，可以是CvBoost::DISCRETE、CvBoost::REAL、CvBoost::LOGIT或


CvBoost::GENTLE這4類中的任意一個，OpenCV推薦使用GentleAdaBoost或Real AdaBoost算法
_weak_count表示弱分類器的數量，即迭代的次數
_weight_trim_rate表示裁剪率，在0～1之間，默認值為0.95，在迭代過程中，那些歸一化后的樣本權值


wi(m)小于該裁剪率的樣本將不進入下次迭代
_max_depth表示構建決策樹的最大深度
_use_surrogates表示在構建決策樹時，是否使用替代分叉屬性
_priors表示樣本的先驗概率


CvBoost類的兩個構造函數： ?
CvBoost::CvBoost( const Mat& _train_data, int _tflag, ?
? ? ? ? ? ? ? ?const Mat& _responses, const Mat& _var_idx, ?
? ? ? ? ? ? ? ?const Mat& _sample_idx, const Mat& _var_type, ?
? ? ? ? ? ? ? ?const Mat& _missing_mask, ?
? ? ? ? ? ? ? ?CvBoostParams _params ) ?
{
......
}


CvBoost::CvBoost() ?
{ ?
......
}?


兩個train函數：
bool CvBoost::train( CvMLData* _data, ? ?//訓練樣本數據 ?
? ? ? ? ? ? ?CvBoostParams _params, ? ?//構建Boosting的參數 ?
? ? ? ? ? ? ?bool update ) ?
//update表示是更新分類器，還是重新創建分類器，默認是false，表示重新創建 ?
{ ?
......
}


bool ?
CvBoost::train( const CvMat* _train_data, int _tflag, ?
? ? ? ? ? ? ? const CvMat* _responses, const CvMat* _var_idx, ?
? ? ? ? ? ? ? const CvMat* _sample_idx, const CvMat* _var_type, ?
? ? ? ? ? ? ? const CvMat* _missing_mask, ?
? ? ? ? ? ? ? CvBoostParams _params, bool _update ) ?
{ ?
......
}


更新權值函數，當要初始化權值時，參數tree為0，表示此時還沒有弱分類器：
void ?
CvBoost::update_weights( CvBoostTree* tree ) { ?
......?
} ?


更新權值的核心函數：
void ?
CvBoost::update_weights_impl( CvBoostTree* tree, double initial_weights[2] ) ?
{
......
}


從上面的train函數可以看出，它主要是調用do_train函數，而CvBoostTree類沒有do_train函數，因此


train函數是調用CvBoostTree類的父類CvDTree中的do_train函數：
bool CvDTree::do_train( const CvMat* _subsample_idx ) ?
{ ?
......
}


遞歸調用try_split_node函數，完成決策樹的構造：
void ?
CvBoostTree::try_split_node( CvDTreeNode* node ) ?
{?
......
}


預測函數predict：
float ?
CvBoost::predict( const CvMat* _sample, const CvMat* _missing, ?
? ? ? ? ? ? ? ? ? CvMat* weak_responses, CvSlice slice, ?
? ? ? ? ? ? ? ? ? bool raw_mode, bool return_sum ) const?
{
......
}


OpenCV是用決策樹來得到弱分類器的，因此實現弱分類器的類CvBoostTree繼承于構建決策樹的類


CvDTree，CvBoostTree類內的train函數和try_split_node函數都是虛函數，它們是針對用于弱分類器設


計的決策樹的特殊性而重寫的函數，這樣的虛函數還有許多，如find_surrogate_split_ord、


find_split_ord_class、calc_node_value等。與CvDTree類的不同的地方；
1、構建弱分類器的每個樣本都有權值，即wi(m)，在決策樹中被稱為是先驗概率；
2、用于衡量分類樹純度的不僅有基尼指數，還有錯誤分類率這種方法；
3、弱分類器只是一個用于研究兩類問題的決策樹，所有要相對簡單一點；
4、不同的弱分類器所應用的訓練樣本的數量可能會不同。

HoughLines

霍夫變換是一種特征提取技術。經典的霍夫變換能夠識別出圖像中的直線，后來又發展到能夠識別出任


意形狀，但更常見的識別形狀是圓和橢圓。函數HoughLines的作用就是能夠檢測出邊緣圖像中的直線。


函數HoughLines的霍夫變換直線檢測的步驟：
1、對邊緣圖像進行霍夫空間變換；
2、在4鄰域內找到霍夫空間變換的極大值；
3、對這些極大值安裝由大到小順序進行排序，極大值越大，越有可能是直線；
4、輸出直線。
?
函數HoughLines的原型為：
void HoughLines(InputArray image,OutputArray lines, double rho, double theta, int?


threshold, double srn=0,double stn=0 )
image為輸入圖像，要求是單通道的二值圖像
lines為輸出直線向量，兩個元素的向量（ρ，θ）代表一條直線，ρ是從原點（圖像的左上角）的距離


，θ是直線的角度（單位是弧度），0表示垂直線，π/2表示水平線
rho為距離分辨率
theta為角度分辨率


threshold為閾值，在步驟2中，只有大于該值的點才有可能被當作極大值，即至少有多少條正弦曲線交


于一點才被認為是直線
srn和stn在多尺度霍夫變換的時候才會使用，在這里我們只研究經典霍夫變換


HoughLines函數是在sources/modules/imgproc/src/hough.cpp文件中定義的；
?
cvHoughLines2函數是霍夫變換直線檢測的關鍵，函數的輸出為所檢測到的直線序列，它的第3個形


參“srn == 0 && stn == 0 ? CV_HOUGH_STANDARD :CV_HOUGH_MULTI_SCALE”表示的是該霍夫變換是經


典霍夫變換還是多尺度霍夫變換，它是由變量srn和stn決定的，只要這兩個變量有一個不為0，就進行多


尺度霍夫變換，否則為經典霍夫變換。另外cvHoughLines2函數不僅可以用于經典霍夫變換和多尺度霍夫


變換，還可以用于概率霍夫變換。


CV_IMPL CvSeq* ?
cvHoughLines2( CvArr* src_image, void* lineStorage, int method, ?
? ? ? ? ? ? ? ?double rho, double theta, int threshold, ?
? ? ? ? ? ? ? ?double param1, double param2 ) ?
{ ?
......
} ?
?


對于經典霍夫變換，調用的是icvHoughLinesStandard函數：
static void ?
icvHoughLinesStandard( const CvMat* img, float rho, float theta, ?
? ? ? ? ? ? ? ? ? ? ? ?int threshold, CvSeq *lines, int linesMax ) ?
{ ?
......
} ?
由于函數HoughLines只輸出直線所對應的角度和距離，所以在進行直線檢測的時候還要把其轉換為直角


坐標系下的數據，另外輸入圖像還必須是邊緣圖像；

總結

以上是生活随笔為你收集整理的Opencv2.4.9源码分析要点摘录的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。