计算机视觉
图像处理

openCV中贝叶斯分类器

贝叶斯统计理论是英国数学家托马斯-贝叶斯于18世纪中叶提出并逐步完善的一种数学理论。贝叶斯决策是在信息不完全的情况下,对部分未知的状态用主观概率估计,然后用贝叶斯公式对发生的概率进行修正,最后再利用期望值和修正概率做出最优决策。

贝叶斯决策理论方法是统计模型决策中的一个基本方法,其基本思想是:

1、已知类条件概率密度参数表达式和先验概率。

2、利用贝叶斯公式转换成后验概率。

3、根据后验概率大小进行决策分类。

他对统计推理的主要贡献是使用了”逆概率”这个概念,并把它作为一种普遍的推理方法提出来。贝叶斯定理原本是中的一个定理,这一定理可用一个数学公式来表达,这个公式就是著名的贝叶斯公式。

 

Opencv中与贝叶斯分类器相关的API函数有以下几个:

(1)CvNormalBayesClassifier::CvNormalBayesClassifier();

该函数为默认构造函数;

(2)CvNormalBayesClassifier::CvNormalBayesClassifier(const Mat& trainData, const Mat& response, const Mat& varIdx=Mat(),const Mat& sampleIdx=Mat());

该函数实际是在默认构造函数内部调用train()函数进行分类器训练;

(3)bool CvNormalBayesClassifier::train(const Mat& trainData, const Mat& response, const Mat& varIdx=Mat(),const Mat& sampleIdx=Mat());

该函数进行贝叶斯分类器的训练,输入向量必须为行向量;变量response必须为整数,但其在初始化时类型可被设置为CV_32FC1;

所有特征向量必须完整,不允许训练样本集的某一个向量存在数据缺失;

(4)float CvNormalBayesClassifier::predict(const Mat& samples, Mat* result=0);

该函数根据用户输入的测试样本的特征向量,返回其所属的类别;注意,如果输入是很多个测试样本的特征向量组成的矩阵,返回值为result矩阵;

//openCV中贝叶斯分类器的API函数用法举例
//运行环境:winXP + VS2008 + openCV2.3.0
#include "stdafx.h"
#include "opencv.hpp"
#include "iostream"
using namespace cv;
using namespace std;

//10个样本特征向量维数为12的训练样本集,第一列为该样本的类别标签
double inputArr[10][13] = 
{
	1,0.708333,1,1,-0.320755,-0.105023,-1,1,-0.419847,-1,-0.225806,0,1, 
	-1,0.583333,-1,0.333333,-0.603774,1,-1,1,0.358779,-1,-0.483871,0,-1,
	1,0.166667,1,-0.333333,-0.433962,-0.383562,-1,-1,0.0687023,-1,-0.903226,-1,-1,
	-1,0.458333,1,1,-0.358491,-0.374429,-1,-1,-0.480916,1,-0.935484,0,-0.333333,
	-1,0.875,-1,-0.333333,-0.509434,-0.347032,-1,1,-0.236641,1,-0.935484,-1,-0.333333,
	-1,0.5,1,1,-0.509434,-0.767123,-1,-1,0.0534351,-1,-0.870968,-1,-1,
	1,0.125,1,0.333333,-0.320755,-0.406393,1,1,0.0839695,1,-0.806452,0,-0.333333,
	1,0.25,1,1,-0.698113,-0.484018,-1,1,0.0839695,1,-0.612903,0,-0.333333,
	1,0.291667,1,1,-0.132075,-0.237443,-1,1,0.51145,-1,-0.612903,0,0.333333,
	1,0.416667,-1,1,0.0566038,0.283105,-1,1,0.267176,-1,0.290323,0,1
};

//一个测试样本的特征向量
double testArr[]=
{
	0.25,1,1,-0.226415,-0.506849,-1,-1,0.374046,-1,-0.83871,0,-1
};


int _tmain(int argc, _TCHAR* argv[])
{
	Mat trainData(10, 12, CV_32FC1);//构建训练样本的特征向量
	for (int i=0; i<10; i++)
	{
		for (int j=0; j<12; j++)
		{
			trainData.at(i, j) = inputArr[i][j+1];
		}
	}

	Mat trainResponse(10, 1, CV_32FC1);//构建训练样本的类别标签
	for (int i=0; i<10; i++)
	{
		trainResponse.at(i, 0) = inputArr[i][0];
	}

	CvNormalBayesClassifier nbc;
	bool trainFlag = nbc.train(trainData, trainResponse);//进行贝叶斯分类器训练
	if (trainFlag)
	{
		cout<<"train over..."<<endl;
		nbc.save("c:/normalBayes.txt");
	}
	else
	{
		cout<<"train error..."<<endl;
		system("pause");
		exit(-1);
	}
	

	CvNormalBayesClassifier testNbc;
	testNbc.load("c:/normalBayes.txt");

	Mat testSample(1, 12, CV_32FC1);//构建测试样本
	for (int i=0; i<12; i++)
	{
		testSample.at(0, i) = testArr[i];
	}

	float flag = testNbc.predict(testSample);//进行测试
	cout<<"flag = "<<flag<<endl;

	system("pause");
	return 0;
}

转载注明来源:CV视觉网 » openCV中贝叶斯分类器

分享到:更多 ()
扫描二维码,给作者 打赏
pay_weixinpay_weixin

请选择你看完该文章的感受:

0不错 0超赞 1无聊 0扯淡 0不解 0路过

评论 4

评论前必须登录!