因為《opencv_tutorial》這部分只有兩個例子，就先暫時介紹兩個例子好了，在refman中ml板塊有：統計模型、普通的貝葉斯分類器、KNN、SVM、決策樹、boosting、隨機樹、EM（期望最大化）、NN（神經網絡）、LR（邏輯回歸）和training data（訓練數據）
這部分要特別說明：http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/ml/introduction_to_svm/introduction_to_svm.html#introductiontosvms或者是《opencv即使是3.0tutorials》中都還是使用的CvSVM::train這樣的函數，但是在對應的《opencv2refman，3.0》中并沒有這個，而是改成了SVM類了，在2.4.10中還是保留的CvSVM的，也就是這里3.0之前和之后得區別對待一下。

這里還是先介紹CvSVM的版本，畢竟手頭上有2.4.10的，當然也在裝3.0版本的，看著到時候在直接上3.0beta的SVM版本的。下面的都是照搬的，http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/ml/introduction_to_svm/introduction_to_svm.html#introductiontosvms。先照搬，然后理解他們 ，接著在加上自己的一些想法

一、svm的介紹

? ? 支持向量機 (SVM) 是一個類分類器，正式的定義是一個能夠將不同類樣本在樣本空間分隔的超平面。 換句話說，給定一些標記(label)好的訓練樣本 (監督式學習), SVM算法輸出一個最優化的分隔超平面。

如何來界定一個超平面是不是最優的呢? 考慮如下問題：假設給定一些分屬于兩類的2維點，這些點可以通過直線分割， 我們要找到一條最優的分割線.

在上面的圖中， 你可以直覺的觀察到有多種可能的直線可以將樣本分開。 那是不是某條直線比其他的更加合適呢? 我們可以憑直覺來定義一條評價直線好壞的標準:距離樣本太近的直線不是最優的，因為這樣的直線對噪聲敏感度高，泛化性較差。 因此我們的目標是找到一條直線，離所有點的距離最遠。

由此，SVM算法的實質是找出一個能夠將某個值最大化的超平面（關于超平面的更加詳細的說明可以參考T. Hastie, R. Tibshirani 和 J. H. Friedman的書籍?Elements of Statistical Learning?， section 4.5 (Seperating Hyperplanes)。），這個值就是超平面離所有訓練樣本的最小距離。這個最小距離用SVM術語來說叫做?間隔(margin)?。 概括一下，最優分割超平面?最大化?訓練數據的間隔。

下面的公式定義了超平面的表達式:

?叫做權重向量，?叫做偏置。最優超平面可以有無數種表達方式，即通過任意的縮放和，習慣上我們使用以下方式來表達最優超平面：

式中 x?表示離超平面最近的那些點。 這些點被稱為?支持向量**。 該超平面也稱為 **canonical 超平面.通過幾何學的知識，我們知道點?x?到超平面（，）?的距離為:

特別的，對于 canonical 超平面, 表達式中的分子為1，因此支持向量到canonical 超平面的距離是：

剛才我們介紹了間隔(margin),這里表示為 M?, 它的取值是最近距離的2倍:

最后最大化 M?轉化為在附加限制條件下最小化函數L()?。 限制條件隱含超平面將所有訓練樣本 xi?正確分類的條件,

式中 yi?表示樣本的類別標記。這是一個拉格朗日優化問題，可以通過拉格朗日乘數法得到最優超平面的權重向量?和偏置?。

#include <opencv2/core/core.hpp> #include <opencv2/highgui/highgui.hpp> #include <opencv2/ml/ml.hpp>using namespace cv;int main() {int width = 512, height = 512;Mat image = Mat::zeros(height, width, CV_8UC3);//生成可顯示結果的畫布// 建立訓練數據：標簽及對應數據集 而且train中要求是flotat，這里使用四個實參的Mat構造函數的初始化方式。float labels[4] = {1.0, -1.0, -1.0, -1.0};//訓練集合的標簽Mat labelsMat(3, 1, CV_32FC1, labels);//生成矩陣形式，函數?CvSVM::train?要求訓練數據儲存于float類型的?Mat?結構中float trainingData[4][2] = { {501, 10}, {255, 10}, {501, 255}, {10, 501} };//訓練集合的數據Mat trainingDataMat(3, 2, CV_32FC1, trainingData);//生成矩陣形式，函數?CvSVM::train?要求訓練數據儲存于float類型的?Mat?結構中，即需要的是CV_32FC1類型。// Set up SVM's parameters填充需要的參數結構CvSVMParams params;params.svm_type = CvSVM::C_SVC;//表示c-支持向量分類，n-類別分類（n>=2）；params.kernel_type = CvSVM::LINEAR;//核函數類型params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6);//訓練的時候的終止條件// Train the SVMCvSVM SVM;SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);//訓練svmVec3b green(0,255,0), blue (255,0,0);//初始化兩種顏色來給后面分開的結果染色// Show the decision regions given by the SVMfor (int i = 0; i < image.rows; ++i)for (int j = 0; j < image.cols; ++j){Mat sampleMat = (Mat_<float>(1,2) << i,j);float response = SVM.predict(sampleMat);//svm的預測 //下面兩個語句就是進行不同類別使用不同的顏色進行區分if (response == 1)image.at<Vec3b>(j, i) = green;else if (response == -1) image.at<Vec3b>(j, i) = blue;}// Show the training data 將訓練的時間進行使用小圓圈顯示，更加直觀int thickness = -1;int lineType = 8;circle( image, Point(501, 10), 5, Scalar( 0, 0, 0), thickness, lineType);circle( image, Point(255, 10), 5, Scalar(255, 255, 255), thickness, lineType);circle( image, Point(501, 255), 5, Scalar(255, 255, 255), thickness, lineType);circle( image, Point( 10, 501), 5, Scalar(255, 255, 255), thickness, lineType);// Show support vectors顯示分類面兩邊的支持向量thickness = 2;lineType = 8;int c = SVM.get_support_vector_count();//返回svm的支持向量的個數//將支持向量畫出來for (int i = 0; i < c; ++i){const float* v = SVM.get_support_vector(i);circle( image, Point( (int) v[0], (int) v[1]), 6, Scalar(128, 128, 128), thickness, lineType);}imwrite("result.png", image); // save the image 保存這幅圖片imshow("SVM Simple Example", image); // show it to the user顯示這幅圖片waitKey(0);}

上面的是例子程序，從注釋中就能夠看出，在opencv中訓練一個svm是相當容易和簡單的，不過這是否與封裝的好，還是所支持的內容有限有關就不知道了，不過它是基于libsvm的，不會差，至于libsvm的實現算法，好像聽說新版和舊版的不一樣，不過這都是核心的地方，不了解也沒關系。

CvSVMParams結構體（在3.0版本的refman中說的是類，雖然在cpp中兩者只有默認權限的差別，不過還是可以看出3.0更加往著cpp方向實現了）

是svm的訓練參數。該結構必須被初始化并傳遞給CVSVM的訓練方法

構造函數原型：CvSVMParams::CvSVMParams()

? ? ? ? ? ? ? ? ? ? ? ? ? ?CvSVMParams::CvSVMParams(int svm_type, int kernel_type, double degree, double gamma, double?coef0, double Cvalue, double nu, double p, CvMat* class_weights,?CvTermCriteria term_crit)；

參數：

? ? svm_type：svm公式的類型，可能的值為：

? ? ? ? ? ? ? ? ? ? ?– CvSVM::C_SVC :C-支持向量分類，n-類 分類（n>=2），允許使用懲罰乘數C對離群點進行不完美分離的懲罰。

? ? ? ? ? ? ? ? ? ? ?– CvSVM::NU_SVC ?：--支持向量分類，有著可能的不完美分離的n-類分類。參數（范圍為0..1，更大的值表示決策面更加的平滑）用來代替上面的C。

? ? ? ? ? ? ? ? ? ?– CvSVM::ONE_CLASS ：分布估計（單類svm）。所有的訓練數據都來自于同一個類別，svm構建一個邊界用來將這個類與剩下的其他所有訓練數據在特征空間中分隔開。

? ? ? ? ? ? ? ? ? ??– CvSVM::EPS_SVR ?：支持向量回歸。介于來自訓練集的特征向量與所擬合的超平面之間的距離必須小于 p 。對于離群點來說，會使用懲罰乘數C。

? ? ? ? ? ? ? ? ? ? ?– CvSVM::NU_SVR ?：支持向量回歸，用來代替 p。

? ? ? ? ? ? ? ? 見 【libsvm】參考更詳細的說明

? ? kernel_type ：svm核函數類型。可能的值為：

? ? ? ? ? ? ? ? ? ? ? ? ? ?– CvSVM::LINEAR ?線性核函數。沒有映射操作，只是在最初的特征空間中使用線性決策（或者是回歸）。這是最快的選擇。（當然結果。。）

? ? ? ? ? ? ? ? ? ? ? ?– CvSVM::POLY ? ? 多項式核函數：

? ? ? ? ? ? ? ? ? ? ??– CvSVM::RBF ? ? ? 徑向基函數，在大多數情況下都是一個很好的選擇，

? ? ? ? ? ? ? ? ? ? ?– CvSVM::SIGMOID ? sigmoid核函數，

? ? degree ?：核函數（POLY）的參數degree；

? ? gamma ：核函數（POLY/RBF/SIGMOID）的參數；

? ? coef0 ? ：核函數（POLY/SIGMOID）的參數coef0；

? ?Cvalue ?：SVM優化問題（C_SVC/EPS_SVR/NU_SVR）的參數C；

? ? nu ?：SVM優化問題（NU_SVC/ONE_CLASS/NU_SVR）的參數；

? ? p ? ：SVM優化問題（EPS_SVR）的參數；

? ? class_weights ：在C_SVC問題中可選的權重，指定給具體的類別。這樣得到的結果就是class#i 變成了.所以這些權重是影響著不同類別的錯誤分類懲罰的程度的。更大的權值表示在相對的類的錯誤分類數據的更大的懲罰。

? ? term_crit ：解決受限二次優化問題的部分情況下迭代svm訓練過程的終止條件。你可以指定tolerance 和/或者 最大迭代次數。

該默認構造函數的初始化內容是：

CvSVMParams::CvSVMParams() : <span style="white-space:pre"> </span>svm_type(CvSVM::C_SVC), kernel_type(CvSVM::RBF), degree(0), <span style="white-space:pre"> </span>gamma(1), coef0(0), C(1), nu(0), p(0), class_weights(0) { term_crit = cvTermCriteria( CV_TERMCRIT_ITER+CV_TERMCRIT_EPS, 1000, FLT_EPSILON ); }終止條件結構函數：

CV_INLINE CvTermCriteria cvTermCriteria( int type, int max_iter, double epsilon ) {CvTermCriteria t;t.type = type;t.max_iter = max_iter;t.epsilon = (float)epsilon;return t; }該函數是內聯函數，返回的值為CvTermCriteria結構體。看得出該函數還是c接口想使用c語言來模擬面向對象的結構，其中的參數為：

? ? type：

? ? ? ? ? ? - CV_TERMCRIT_ITER ?在當算法迭代次數超過max_iter的時候終止。
? ? ? ? ? ? - CV_TERMCRIT_EPS ? 在當算法得到的精度低于epsolon時終止；
? ? ? ? ? ? -CV_TERMCRIT_ITER+CV_TERMCRIT_EPS ?當算法迭代超過max_iter或者當獲得的精度低于epsilon的時候，哪個先滿足就停止。

? ? max_iter：

? ? ? ? ? ? 迭代的最大次數；

? ? epsilon：

? ? ? ? ? ? 要求的精度
svm訓練的函數原型：bool CvSVM::train(const Mat& trainData, const Mat& responses, const Mat& varIdx=Mat(), const?Mat& sampleIdx=Mat(), CvSVMParams params=CvSVMParams() )；
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? bool CvSVM::train(const CvMat* trainData, const CvMat* responses, const CvMat* varIdx=0, const?CvMat* sampleIdx=0, CvSVMParams params=CvSVMParams() )；

該方法是用來訓練SVM模型的，它與通常的CvStatModel::train()（該函數為統計模型部分的一個函數，后面的不同分類器訓練函數都與該函數類似，這里并沒有仔細介紹該函數，所以下面的參數暫時沒介紹，下面的約束條件幫助有限，留待我更新統計模型部分的介紹，然后引過來）有著一樣便利的約束條件：

? ? ?a、只有CV_ROW_SAMPLE的數據分布才被支持；

? ? ?b、輸入的變量都是有序的

? ? ?c、輸出的變量可以是分類的（(params.svm_type=CvSVM::C_SVC 或者?params.svm_type=CvSVM::NU_SVC） 或者有序的（params.svm_type=CvSVM::EPS_SVR 或者?params.svm_type=CvSVM::NU_SVR），或者根本沒要求（params.svm_type=CvSVM::ONE_CLASS）。

?參數列表：

? ? ?d、不支持缺省的測量方法；

所有的其他參數都在CvSVMParams結構體中。

svm預測的函數原型： ?float CvSVM::predict(const Mat& sample, bool returnDFVal=false ) const
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?float CvSVM::predict(const CvMat* sample, bool returnDFVal=false ) const

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??float CvSVM::predict(const CvMat* samples, CvMat* results) const；

參數列表：

? ? ? ?sample：為了預測的輸入樣本；

? ? ? ?samples：為了預測的輸入的一群樣本；

? ? ? ?returnDFVal ：指定返回值的類型。如果為true，而且問題是2分類，那么該方法返回的與邊緣之間有符號距離的決策函數的值；不然該函數返回一個類別標簽（分類）或者估計函數值（回歸）。

? ? ? ?return ?：輸出有關樣本群的預測響應值。（就是針對許多樣本得到的預測結果）

如果你傳遞一個樣本那么就得到一個預測結果。如果你想傳遞幾個樣本那么急救該傳遞給results一個矩陣用來保存預測的結果。
得到支持向量的個數和某個支持向量的函數原型：int CvSVM::get_support_vector_count() const
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? const float* CvSVM::get_support_vector(int i) const

參數列表： i 用來索引某個具體的支持向量。

第一個函數返回支持向量的個數；第二個可以返回某個支持向量。

贈送一個，返回變量個數的函數原型：int CvSVM::get_var_count() const

該函數返回特征的數量（也就是變量的個數）

二、支持向量機對線性不可分數據的處理

? ?為什么需要將支持向量機優化問題擴展到線性不可分的情形？ 在多數計算機視覺運用中，我們需要的不僅僅是一個簡單的SVM線性分類器， 我們需要更加強大的工具來解決?訓練數據無法用一個超平面分割?的情形。我們以人臉識別來做一個例子，訓練數據包含一組人臉圖像和一組非人臉圖像(除了人臉之外的任何物體)。 這些訓練數據超級復雜，以至于為每個樣本找到一個合適的表達 (特征向量) 以讓它們能夠線性分割是非常困難的。

? ?還記得我們用支持向量機來找到一個最優超平面。 既然現在訓練數據線性不可分，我們必須承認這個最優超平面會將一些樣本劃分到錯誤的類別中。 在這種情形下的優化問題，需要將?錯分類(misclassification)?當作一個變量來考慮。新的模型需要包含原來線性可分情形下的最優化條件，即最大間隔(margin), 以及在線性不可分時分類錯誤最小化。

? ?還是從最大化?間隔?這一條件來推導我們的最優化問題的模型(這在上面?已經討論了):

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?

在這個模型中加入錯分類變量有多種方法。比如，我們可以最小化一個函數，該函數定義為在原來模型的基礎上再加上一個常量乘以樣本被錯誤分類的次數:

然而，這并不是一個好的解決方案，其中一個原因是它沒有考慮錯分類的樣本距離同類樣本所屬區域的大小。 因此一個更好的方法是考慮?錯分類樣本離同類區域的距離:

這里為每一個樣本定義一個新的參數??， 這個參數包含對應樣本離同類區域的距離。 下圖顯示了兩類線性不可分的樣本，以及一個分割超平面和錯分類樣本距離同類區域的距離。

紅色和藍色直線表示各自區域的邊際間隔， 每個??表示從錯分類樣本到同類區域邊際間隔的距離。

最后我們得到最優問題的最終模型:

關于參數C的選擇， 明顯的取決于訓練樣本的分布情況。 盡管并不存在一個普遍的答案，但是記住下面幾點規則還是有用的:

? a、C比較大時分類錯誤率較小，但是間隔也較小。 在這種情形下， 錯分類對模型函數產生較大的影響，既然優化的目的是為了最小化這個模型函數，那么錯分類的情形必然會受到抑制。

? b、C比較小時，間隔較大，但是分類錯誤率也較大。在這種情形下，模型函數中錯分類之和這一項對優化過程的影響變小，優化過程將更加關注于尋找到一個能產生較大間隔的超平面。

（這里的兩個例子我都直接復制了完整的代碼，而沒有拆分成重要的函數說說，就是為了能更加的好理解，拆分成簡單的幾個函數是為了方便記憶，這里主要還是為了理解。后續修改3.0版本的時候有可能會刪減！！）

#include <iostream> #include <opencv2/core/core.hpp> #include <opencv2/highgui/highgui.hpp> #include <opencv2/ml/ml.hpp>#define NTRAINING_SAMPLES 100 // 每個類別中訓練樣本的個數 #define FRAC_LINEAR_SEP 0.9f // 構成線性可分樣本的分數，可以當成是為了將int類型轉換成float類型的using namespace cv; using namespace std; //該代碼是使用兩個不同的數據集來說明的即線性可分的數據和非線性可分的數據。 int main() {// 創建最后顯示的畫布const int WIDTH = 512, HEIGHT = 512;Mat I = Mat::zeros(HEIGHT, WIDTH, CV_8UC3);//--------------------- 1. 隨機生成訓練數據 ---------------------------------------Mat trainData(2*NTRAINING_SAMPLES, 2, CV_32FC1);//訓練數據為2部分×100個樣本/部分，行表示樣本，列表是變量，即特征Mat labels (2*NTRAINING_SAMPLES, 1, CV_32FC1);//訓練數據的標簽RNG rng(100); // 隨機值生成器// 建立數據的線性可分部分int nLinearSamples = (int) (FRAC_LINEAR_SEP * NTRAINING_SAMPLES);// class 1 生成隨機樣本Mat trainClass = trainData.rowRange(0, nLinearSamples);//類別1所占用的空間為行[0,nLinearSamples)// x的坐標范圍 [0, 0.4)Mat c = trainClass.colRange(0, 1);//取第一列取值為[a,b)rng.fill(c, RNG::UNIFORM, Scalar(1), Scalar(0.4 * WIDTH));//填充數值// y的坐標范圍 [0, 1)c = trainClass.colRange(1,2);//取第二列rng.fill(c, RNG::UNIFORM, Scalar(1), Scalar(HEIGHT));//填充數值// class 2 生成隨機樣本trainClass = trainData.rowRange(2*NTRAINING_SAMPLES-nLinearSamples, 2*NTRAINING_SAMPLES);// x的坐標范圍 [0.6, 1]c = trainClass.colRange(0 , 1); //取第一列rng.fill(c, RNG::UNIFORM, Scalar(0.6*WIDTH), Scalar(WIDTH));//填充數值// y的坐標范圍 [0, 1)c = trainClass.colRange(1,2);//取第二列rng.fill(c, RNG::UNIFORM, Scalar(1), Scalar(HEIGHT));//填充數值//------------------ 為訓練數據的第二個部分：線性不可分部分添加數據 ---------------// 為 classes 1 and 2 隨機生成樣本點trainClass = trainData.rowRange( nLinearSamples, 2*NTRAINING_SAMPLES-nLinearSamples);// x的坐標范圍 [0.4, 0.6)c = trainClass.colRange(0,1);//取第一列rng.fill(c, RNG::UNIFORM, Scalar(0.4*WIDTH), Scalar(0.6*WIDTH)); //填充數值// y的坐標范圍 [0, 1)c = trainClass.colRange(1,2);//取第二列rng.fill(c, RNG::UNIFORM, Scalar(1), Scalar(HEIGHT));//填充數值//------------------------- Set up the labels for the classes ---------------------------------labels.rowRange( 0, NTRAINING_SAMPLES).setTo(1); // Class 1的標簽labels.rowRange(NTRAINING_SAMPLES, 2*NTRAINING_SAMPLES).setTo(2); // Class 2的標簽//------------------------ 2. 設置SVM的參數 --------------------CvSVMParams params;params.svm_type = SVM::C_SVC;params.C = 0.1;params.kernel_type = SVM::LINEAR;params.term_crit = TermCriteria(CV_TERMCRIT_ITER, (int)1e7, 1e-6);//------------------------ 3. 訓練SVM ----------------------------------------------------cout << "Starting training process" << endl;CvSVM svm;svm.train(trainData, labels, Mat(), Mat(), params);cout << "Finished training process" << endl;//------------------------ 4. 顯示預測結果在畫布上 ----------------------------------------Vec3b green(0,100,0), blue (100,0,0);//不同類別的顏色for (int i = 0; i < I.rows; ++i)for (int j = 0; j < I.cols; ++j){Mat sampleMat = (Mat_<float>(1,2) << i, j);float response = svm.predict(sampleMat);//得到單個樣本的預測值if (response == 1) I.at<Vec3b>(j, i) = green;else if (response == 2) I.at<Vec3b>(j, i) = blue;}//----------------------- 5. 將訓練數據顯示在畫布上，使用小圓圈標記------------------------------------int thick = -1;int lineType = 8;float px, py;// Class 1for (int i = 0; i < NTRAINING_SAMPLES; ++i){px = trainData.at<float>(i,0);py = trainData.at<float>(i,1);circle(I, Point( (int) px, (int) py ), 3, Scalar(0, 255, 0), thick, lineType);}// Class 2for (int i = NTRAINING_SAMPLES; i <2*NTRAINING_SAMPLES; ++i){px = trainData.at<float>(i,0);py = trainData.at<float>(i,1);circle(I, Point( (int) px, (int) py ), 3, Scalar(255, 0, 0), thick, lineType);}//------------------------- 6. 顯示支持向量 --------------------------------------------thick = 2;lineType = 8;int x = svm.get_support_vector_count();for (int i = 0; i < x; ++i){const float* v = svm.get_support_vector(i);circle( I, Point( (int) v[0], (int) v[1]), 6, Scalar(128, 128, 128), thick, lineType);}imwrite("result.png", I); // save the Imageimshow("SVM for Non-Linear Training Data", I); // show it to the userwaitKey(0); } 用隨機數來填充數組的函數原型：void RNG::fill(InputOutputArray mat, int distType, InputArray a, InputArray b, bool saturateRange=?false )；

參數列表：輸入輸出矩陣、分布類型、第一個分布的參數、第二個分布參數、飽和范圍；

第一個參數：2D或者N維矩陣；當前的不支持超過4通道的矩陣，使用Mat::reshape()作為一個可能的解決方案；

第二個參數：分布蕾西，RNG::UNIFORM或者RNG::NORMAL.(即是均勻分布還是正太分布)

第三個參數：第一個分布參數；在均勻分布中，這是一個包含的下限值；在正太分布中，這是一個均值；

第四個參數：第二個分布參數：在均勻分布中，這是一個不包含的上限值；在正太分布中，這是一個標準差（標準差矩陣的對角線或者 ? ? ? ? ? 全標準差矩陣，此處疑問，是兩個矩陣的對角線還是前面那個矩陣的對角線？？？）。

第五個參數：預飽和標識；只對均勻分布有效；如果該值為true，該方法會首先將a和b轉換成可接受的值的范圍（按照mat的數據類 ? ? ? ? ? ? ? 型）然后用范圍【saturate（a），saturate（b））來生成均勻分布的隨機值；如果該值為false，該方法會首先按照原 ? ? ? ? 始的范圍【a，b）生成均勻分布隨機值，然后進行飽和操作，也就是說，例如RNG().fill(mat_8u, RNG::UNIFORM, -DBL_MAX, ? ? ? ? ?DBL_MAX)，將會生成一個數組差不多用0和255填滿的數組，因為范圍（0，255）明顯小于?【-DBL_MAX, DBL_MAX)。

? ?每個使用隨機值來填充矩陣的方法都來自特定的分布。RNG的狀態也是按照新生成的值更新的。在多通道圖像的情況中，每個通道都是獨立填充的，也就是說RNG不會直接從非對焦協方差矩陣的多維度高斯分布中采樣。所以該方法是從有著0均值和單一協方差矩陣的多維度標準高斯分布中進行采樣的，然后接著使用ransform（）來轉換生成具體的高斯分布的樣本值。

對一個矩陣頭生成具體的行范圍的函數原型：Mat Mat::rowRange(int startrow, int endrow) const
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? Mat Mat::rowRange(const Range& r) const；

參數列表：

? ? startrow： 一個基于0索引的行范圍的開始，包含

? ? endrow ?：一個基于0索引的行范圍的結束，不包含

? ? r ：Range結構，用來包含開始和結束索引。

對一個矩陣頭生成具體的列范圍的函數原型：Mat Mat::colRange(int startcol, int endcol) const
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?Mat Mat::colRange(const Range& r) const；

參數列表：?

? ? startrow： 一個基于0索引的列范圍的開始，包含

? ? endrow ?：一個基于0索引的列范圍的結束，不包含

? ? r ：Range結構，用來包含開始和結束索引。

上面兩個方法都是用來對一個新的矩陣頭指定需要生成的行列區域，相似于Mat::row()和Mat::col()，而且復雜度是O(1).

相對于最上面的終止方法，的類class TermCriteria：

class CV_EXPORTS TermCriteria{ public:enum{ <span style="white-space:pre"> </span>COUNT=1, //!< the maximum number of iterations or elements to compute <span style="white-space:pre"> </span>MAX_ITER=COUNT, //!< ditto <span style="white-space:pre"> </span>EPS=2 //!< the desired accuracy or change in parameters at which the iterative algorithm stops}; //! default constructor <span style="white-space:pre"> </span>TermCriteria(); //! full constructor <span style="white-space:pre"> </span>TermCriteria(int type, int maxCount, double epsilon); //! conversion from CvTermCriteria <span style="white-space:pre"> </span>TermCriteria(const CvTermCriteria& criteria); //! conversion to CvTermCriteria <span style="white-space:pre"> </span>operator CvTermCriteria() const;int type; //!< the type of termination criteria: COUNT, EPS or COUNT + EPS int maxCount; // the maximum number of iterations/elements double epsilon; // the desired accuracy };該類用來為迭代算法定義終止標準。你可以通過默認構造函數進行初始化然后重載任何參數，或者這個結構可以完全使用構造函數的高級變量來全部的初始化。

TermCriteria類的構造函數：TermCriteria::TermCriteria()

? ? ? ? ? ? ? ? ? ? ? ? ? TermCriteria::TermCriteria(int type, int maxCount, double epsilon)
? ? ? ? ? ? ? ? ? ? ? ? ? TermCriteria::TermCriteria(const CvTermCriteria& criteria)
參數列表：

? ? ? ? ?type ：終止標準的類型：TermCriteria::COUNT， TermCriteria::EPS 或者?TermCriteria::COUNT + TermCriteria::EPS；

? ? ? ? maxCount:迭代或者計算元素的最大次數；

? ? ? ? epsilon：在迭代算法停止是參數改變所需要達到的精度要求；

? ? ? ? criteria：在棄用的CvTermCriteria格式中的終止條件。

轉換到棄用的CvTermCriteria格式的函數原型：TermCriteria::operator CvTermCriteria() const （在3.0版本中已經移除該函數）

轉載于:https://www.cnblogs.com/shouhuxianjian/p/4529174.html

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的opencv7-ml之svm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。