使用 SVM（支持向量机）进行图像分类：从读取图像到训练与分类的完整流程
本文介绍如何用支持向量机（SVM）对图像进行分类。以“石头/剪刀/布/none”分类为示例。
概述
- 目标：使用 SVM 对图像（例如“石头/剪刀/布”手势）进行分类。流程包括读取图像、显示、收集样本、创建 SVM、训练 SVM、运行分类器，最后释放资源。
- 算法：支持向量机（SVM），此处使用 RBF（径向基）核，采用 one-versus-one 策略来处理多类分类问题。
重要步骤
1、创建 SVM 分类器
create_class_svm (7, 'rbf', KernelParam, Nu, |ClassNames|, 'one-versus-one', 'principal_components', 5, SVMHandle)
参数解释（依据常见 API 含义）：
- 7： SVM的输入变量（特征）数量。
- 'rbf'：内核类型。
- KernelParam:：内核函数的附加参数。在RBF核的情况下，的值。对于多项式核
- Nu：SVM的正则化常数。
- |ClassNames|：类别数量。
- 'one-versus-one'：SVM的模式。
- 'principal_components'：用于转换特征向量的预处理类型。
- 5：预处理参数：转换特征的数量（Preprocessing=“none”和Preprocessing=”normalization“时忽略）。
- SVMHandle：SVM句柄。
- 注意：不同halcon版本参数顺序或含义可能不同，实际使用时请参照你所用版本的文档。
2、提取图像特征
- read_image (Image, Selection[Index])
- threshold (Image, Region, 0, 40)
- 获取区域面积和中心坐标
- area_center (Region, Area, Row, Column)
- *获取区域的紧密度
- compactness (Region, Compactness)
- *获取区域的二阶矩
- moments_region_central_invar (Region, PSI1, PSI2, PSI3, PSI4)
- *获取区域的凸度
- convexity (Region, Convexity)
- *将这7个值组成数组
- Features := real([Area,Compactness,PSI1,PSI2,PSI3,PSI4,Convexity])
3、添加样本特征
add_sample_class_svm (SVMHandle, Features, ClassNumber)
- SVMHandle：SVM句柄。
- Features：特征
- ClassNumber：当前样本的类别
4、开始训练
train_class_svm (SVMHandle, 0.001, 'default')
- SVMHandle：SVM句柄。
- 0.001：训练的停止参数。
- 'default'：训练方式。通常选项：“default”。如果SVM中已经包含SVs, 那么应该用于训练：“add_sv_to_train_set”。
5、进行分类
*用SVM分类器进行分类
classify_class_svm (SVMHandle, Features, 1, Class)
- SVMHandle：SVM句柄。
- Features：特征向量。
- 1：要确定的最佳分类个数。
- Class：使用SVM对特征向量进行分类的结果。
结果示例：
实践建议与常见问题
- 数据准备：高质量、标注准确、包含各种背景/光照/角度变化的样本对模型的泛化至关重要。
- 特征选择：SVM 对特征尺度敏感。若使用像素原始向量，请做归一化或标准化。更常见的是用 HOG、SIFT、LBP 或卷积神经网络提取的特征向量。
- 超参数调优：KernelParam（RBF 的 gamma）与正则化参数（如 C 或 Nu）会极大影响性能。用交叉验证和网格搜索找到最优组合。
- 多类策略：one-versus-one 在类别数较少的情形下效率和效果不错。类别数增多时，训练复杂度上升。
- PCA 降维：在样本维度很高时使用 PCA 可以加速训练并去噪，但要保证保留足够信息以维持分类性能。
- 性能度量：训练完成后用独立测试集计算混淆矩阵、精确率/召回率/F1，以全面评估模型。