OpenCV 3.0 SVM C++ 接口完整代碼示例：訓練、預測、支援向量可視化

概覽

基於 OpenCV 3.x cv::ml::SVM 類的完整示例：生成數據、訓練 RBF 核 SVM、測試準確率、可視化決策邊界與支援向量。

關鍵代碼片段

SVM 配置與訓練

Ptr svm = ml::SVM::create();
svm->setType(ml::SVM::C_SVC);
svm->setKernel(ml::SVM::RBF);
svm->setGamma(20);    // RBF 核參數
svm->setC(7);         // 懲罰係數
svm->setTermCriteria(TermCriteria(TermCriteria::COUNT + TermCriteria::EPS, 1000, 1E-6));

// 標籤需轉為 int 類型 Mat
Mat trainLabels(trainClasses.rows, 1, CV_32SC1);
for (int i = 0; i < trainClasses.rows; ++i)
    trainLabels.at(i, 0) = (int)trainClasses.at(i, 0);

svm->train(trainingData, ml::ROW_SAMPLE, trainLabels);

預測與評估

Mat predicted(testClasses.rows, 1, CV_32F);
svm->predict(testData, predicted);
// 計算準確率
float accuracy = evaluate(predicted, testClasses);

支援向量可視化

Mat supportVectors = svm->getSupportVectors();
for (int i = 0; i < supportVectors.rows; ++i) {
    Point pt(supportVectors.at(i,0)*size, supportVectors.at(i,1)*size);
    circle(svPlot, pt, 3, CV_RGB(0,0,0));
}
imshow("Support Vectors", svPlot);

完整流程

1. 生成隨機訓練/測試點 (x,y) ∈ [0,1]²
2. 按方程（如 y > sin(10x)）打標籤 ±1
3. 配置 RBF 核 SVM 參數
4. 訓練、預測、計算準確率
5. 可視化：訓練集、測試集、預測結果、支援向量

關鍵類/函數

編譯依賴

g++ -std=c++11 main.cpp -o svm_demo `pkg-config --cflags --libs opencv`