Длина каждого ряда обучающей матрицы для SVM

Размер каждой строки не должен быть эквивалентным размеру изображения. Это зависит от того, что у вас есть для функций. Использование средних значений для классификации изображений недостаточно. Просто подумайте о том, как вы классифицируете объекты, когда смотрите на картинку. Вы не вычисляете средние значения, но, вероятно, смотрите на контуры, связанные области, иногда отдельные значения пикселей на фоне обработки мозга.

Итак, чтобы получить больше возможностей, у меня есть предложение для вас. Рассчитать среднее значение каждого столбца для части извлечения объекта. Это будет более полезным, вероятно.

А для извлечения другой функции вы можете использовать PCA. Обычно вы можете указать все значения в пикселях подряд для обучения SVM, но даже для 200 * 200 изображений это дает 40 000 функций, ВАУ, а это очень много. Вам нужно уменьшить это измерение функции, не теряя много информации, это означает сохранение приемлемого процента отклонения. Таким образом, PCA используется для этого, уменьшая размер пространства признаков и сохраняя дисперсию с приемлемой скоростью.

Я постараюсь показать вам, как вы можете уменьшить функциональное пространство с PCA. Сначала вам нужно получить изображения, а затем свернуть изображения в переменную Mat, строка за строкой:

Чтение CSV:

void read_csv (константная строка имя файла, вектор изображения, вектор метки, разделитель символов = ';')
{
файл std :: ifstream (filename.c_str (), ifstream :: in);
если (! файл)
{
string error_message = "Не указан правильный входной файл, проверьте указанное имя файла.";
CV_Error (1, error_message);
}
строка строки, путь, классная метка;
while (getline (файл, строка))
{
струнная лень (линия);

getline (лень, путь, разделитель);
getline (liness, classlabel);

если (! path.empty ()  ! Classlabel.empty ())
{
Mat im = imread (путь, 0);

images.push_back (им);
labels.push_back (atoi (classlabel.c_str ()));
}
}
}

Прокручивание изображений строка за строкой:

Mat rollVectortoMat(const vector<Mat> &data) // data is vector of Mat images
{
Mat dst(static_cast<int>(data.size()), data[0].rows*data[0].cols, CV_32FC1);
for(unsigned int i = 0; i < data.size(); i++)
{
Mat image_row = data[i].clone().reshape(1,1);
Mat row_i = dst.row(i);
image_row.convertTo(row_i,CV_32FC1, 1/255.);
}
return dst;
}

ГЛАВНЫЙ

int main()
{

PCA pca;

vector<Mat> images_train;
vector<Mat> images_test;
vector<int> labels_train;
vector<int> labels_test;

read_csv("train1k.txt",images_train,labels_train);
read_csv("test1k.txt",images_test,labels_test);

Mat rawTrainData = rollVectortoMat(images_train);
Mat rawTestData  = rollVectortoMat(images_test);

Mat trainLabels = getLabels(labels_train);
Mat testLabels  = getLabels(labels_test);

int pca_size = 500;

Mat trainData(rawTrainData.rows, pca_size,rawTrainData.type());
Mat testData(rawTestData.rows,pca_size,rawTestData.type());pca(rawTrainData,Mat(),CV_PCA_DATA_AS_ROW,pca_size);

for(int i = 0; i < rawTrainData.rows ; i++)
pca.project(rawTrainData.row(i),trainData.row(i));

for(int i = 0; i < rawTestData.rows ; i++)
pca.project(rawTestData.row(i),testData.row(i));

}

Подводя итог, вы читаете CSV-файл, который похож на image_path; метка. Чем вы катите изображения в переменную Mat, строка за строкой. Вы применяете PCA, чтобы уменьшить до 500 функции. Я применил это сокращение PCA, чтобы уменьшить 200 * 200 изображений (40000 функций) до 500 размеров объектов. Чем я применил MLP, чтобы классифицировать это. Эти переменные testData и trainData могут также использоваться с SVM. Вы также можете проверить, как тренировать его с MLP в моем SO сообщении:

Сигмоидальный выход OpenCV Neural Network