OpenCV的机器学习类定义在ml.hpp文件中，基础类是CvStatModel，其他各种分类器从这里继承而来。

今天研究CvNormalBayesClassifier分类器。

1.类定义

在ml.hpp中有以下类定义：

[cpp] view plaincopyprint?

class CV_EXPORTS_W CvNormalBayesClassifier : public CvStatModel  

{  

public:  

    CV_WRAP CvNormalBayesClassifier();  

    virtual ~CvNormalBayesClassifier();  

  

    CvNormalBayesClassifier( const CvMat* trainData, const CvMat* responses,  

        const CvMat* varIdx=0, const CvMat* sampleIdx=0 );  

  

    virtual bool train( const CvMat* trainData, const CvMat* responses,  

        const CvMat* varIdx = 0, const CvMat* sampleIdx=0, bool update=false );  

  

    virtual float predict( const CvMat* samples, CV_OUT CvMat* results=0 ) const;  

    CV_WRAP virtual void clear();  

  

    CV_WRAP CvNormalBayesClassifier( const cv::Mat& trainData, const cv::Mat& responses,  

                            const cv::Mat& varIdx=cv::Mat(), const cv::Mat& sampleIdx=cv::Mat() );  

    CV_WRAP virtual bool train( const cv::Mat& trainData, const cv::Mat& responses,  

                       const cv::Mat& varIdx = cv::Mat(), const cv::Mat& sampleIdx=cv::Mat(),  

                       bool update=false );  

    CV_WRAP virtual float predict( const cv::Mat& samples, CV_OUT cv::Mat* results=0 ) const;  

  

    virtual void write( CvFileStorage* storage, const char* name ) const;  

    virtual void read( CvFileStorage* storage, CvFileNode* node );  

  

protected:  

    int     var_count, var_all;  

    CvMat*  var_idx;  

    CvMat*  cls_labels;  

    CvMat** count;  

    CvMat** sum;  

    CvMat** productsum;  

    CvMat** avg;  

    CvMat** inv_eigen_values;  

    CvMat** cov_rotate_mats;  

    CvMat*  c;  

};  

2.示例

此类使用方法如下：（引用别人的代码，忘记出处了，非常抱歉这个。。。）

[cpp] view plaincopyprint?

//openCV中贝叶斯分类器的API函数用法举例  

//运行环境：win7 + VS2005 + openCV2.4.5  

  

#include "global_include.h"  

  

using namespace std;  

using namespace cv;  

  

//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<float>(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<float>(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("normalBayes.txt");  

    }  

    else  

    {  

        cout<<"train error..."<<endl;  

        system("pause");  

        exit(-1);  

    }  

  

  

    CvNormalBayesClassifier testNbc;  

    testNbc.load("normalBayes.txt");  

  

    Mat testSample(1, 12, CV_32FC1);//构建测试样本  

    for (int i=0; i<12; i++)  

    {  

        testSample.at<float>(0, i) = testArr[i];  

    }  

  

    float flag = testNbc.predict(testSample);//进行测试  

    cout<<"flag = "<<flag<<endl;  

  

    system("pause");  

    return 0;  

}  

3.步骤

两步走：

1.调用train函数训练分类器；

2.调用predict函数，判定测试样本的类别。

以上示例代码还延时了怎样使用save和load函数，使得训练好的分类器可以保存在文本中。

4.初始化

接下来，看CvNormalBayesClassifier类的无参数初始化：

[cpp] view plaincopyprint?

CvNormalBayesClassifier::CvNormalBayesClassifier()  

{  

    var_count = var_all = 0;  

    var_idx = 0;  

    cls_labels = 0;  

    count = 0;  

    sum = 0;  

    productsum = 0;  

    avg = 0;  

    inv_eigen_values = 0;  

    cov_rotate_mats = 0;  

    c = 0;  

    default_model_name = "my_nb";  

}  

还有另一种带参数的初始化形式：
[cpp] view plaincopyprint?

CvNormalBayesClassifier::CvNormalBayesClassifier(  

    const CvMat* _train_data, const CvMat* _responses,  

    const CvMat* _var_idx, const CvMat* _sample_idx )  

{  

    var_count = var_all = 0;  

    var_idx = 0;  

    cls_labels = 0;  

    count = 0;  

    sum = 0;  

    productsum = 0;  

    avg = 0;  

    inv_eigen_values = 0;  

    cov_rotate_mats = 0;  

    c = 0;  

    default_model_name = "my_nb";  

  

    train( _train_data, _responses, _var_idx, _sample_idx );  

}  

可见，带参数形式糅合了类的初始化和train函数。

另外，以Mat参数形式的对应函数版本，功能是一致的，只不过为了体现2.0以后版本的C++特性罢了。如下：

[cpp] view plaincopyprint?

CV_WRAP CvNormalBayesClassifier( const cv::Mat& trainData, const cv::Mat& responses,  

                        const cv::Mat& varIdx=cv::Mat(), const cv::Mat& sampleIdx=cv::Mat() );  

CV_WRAP virtual bool train( const cv::Mat& trainData, const cv::Mat& responses,  

                   const cv::Mat& varIdx = cv::Mat(), const cv::Mat& sampleIdx=cv::Mat(),  

                   bool update=false );  

CV_WRAP virtual float predict( const cv::Mat& samples, CV_OUT cv::Mat* results=0 ) const;  

5.训练

下面开始分析train函数，分析CvMat格式参数的train函数，即：

[cpp] view plaincopyprint?

bool train( const CvMat* trainData, const CvMat* responses,const CvMat* varIdx = 0, const CvMat* sampleIdx=0, bool update=false );  

在进入该函数之前，还要先回头看看CvNormalBayesClassifier类有哪些数据成员：

[cpp] view plaincopyprint?

protected:  

    int     var_count, var_all; //每个样本的特征维数、即变量数目，或者说trainData的列数目(在varIdx=0时)  

    CvMat*  var_idx;        //特征子集的索引，可能特征数目为100，但是只用其中一部分训练  

    CvMat*  cls_labels;     //类别数目  

    CvMat** count;      //count[0...(classNum-1)]，每个元素是一个CvMat(rows=1,cols=var_count)指针，代表训练数据中每一类的某个特征的数目  

    CvMat** sum;        //sum[0...(classNum-1)]，每个元素是一个CvMat(rows=1,cols=var_count)指针，代表训练数据中每一类的某个特征的累加和  

    CvMat** productsum;     //productsum[0...(classNum-1)]，每个元素是一个CvMat(rows=cols=var_count)指针,存储类内特征相关矩阵  

    CvMat** avg;        //avg[0...(classNum-1)]，每个元素是一个CvMat(rows=1,cols=var_count)指针，代表训练数据中每一类的某个特征的平均值  

    CvMat** inv_eigen_values;//inv_eigen_values[0...(classNum-1)]，每个元素是一个CvMat(rows=1,cols=var_count)指针，代表训练数据中每一类的某个特征的特征值的倒数  

    CvMat** cov_rotate_mats;    //特征变量的协方差矩阵经过SVD奇异值分解后得到的特征向量矩阵  

    CvMat*  c;  

这些数据成员，怎样使用呢？在train函数中见分晓：

[cpp] view plaincopyprint?

bool CvNormalBayesClassifier::train( const CvMat* _train_data, const CvMat* _responses,  

                                    const CvMat* _var_idx, const CvMat* _sample_idx, bool update )  

{  

    const float min_variation = FLT_EPSILON;  

    bool result = false;  

    CvMat* responses   = 0;  

    const float** train_data = 0;  

    CvMat* __cls_labels = 0;  

    CvMat* __var_idx = 0;  

    CvMat* cov = 0;  

  

    CV_FUNCNAME( "CvNormalBayesClassifier::train" );  

  

    __BEGIN__;  

  

    int cls, nsamples = 0, _var_count = 0, _var_all = 0, nclasses = 0;  

    int s, c1, c2;  

    const int* responses_data;  

  

    //1.整理训练数据  

    CV_CALL( cvPrepareTrainData( 0,  

        _train_data, CV_ROW_SAMPLE, _responses, CV_VAR_CATEGORICAL,  

        _var_idx, _sample_idx, false, &train_data,  

        &nsamples, &_var_count, &_var_all, &responses,  

        &__cls_labels, &__var_idx ));  

  

    if( !update )   //如果是初始训练数据  

    {  

        const size_t mat_size = sizeof(CvMat*);  

        size_t data_size;  

  

        clear();  

  

        var_idx = __var_idx;  

        cls_labels = __cls_labels;  

        __var_idx = __cls_labels = 0;  

        var_count = _var_count;  

        var_all = _var_all;  

  

        nclasses = cls_labels->cols;  

        data_size = nclasses*6*mat_size;  

  

        CV_CALL( count = (CvMat**)cvAlloc( data_size ));  

        memset( count, 0, data_size );          //count[cls]存储第cls类每个属性变量个数  

                                        

        sum             = count      + nclasses;//sum[cls]存储第cls类每个属性取值的累加和  

        productsum      = sum        + nclasses;//productsum[cls]存储第cls类的协方差矩阵的乘积项sum(XiXj)，cov(Xi,Xj)=sum(XiXj)-sum(Xi)E(Xj)  

        avg             = productsum + nclasses;//avg[cls]存储第cls类的每个变量均值  

        inv_eigen_values= avg        + nclasses;//inv_eigen_values[cls]存储第cls类的协方差矩阵的特征值  

        cov_rotate_mats = inv_eigen_values         + nclasses;//存储第cls类的矩阵的特征值对应的特征向量  

  

        CV_CALL( c = cvCreateMat( 1, nclasses, CV_64FC1 ));  

          

        for( cls = 0; cls < nclasses; cls++ )    //对所有类别  

        {  

            CV_CALL(count[cls]            = cvCreateMat( 1, var_count, CV_32SC1 ));  

            CV_CALL(sum[cls]              = cvCreateMat( 1, var_count, CV_64FC1 ));  

            CV_CALL(productsum[cls]       = cvCreateMat( var_count, var_count, CV_64FC1 ));  

            CV_CALL(avg[cls]              = cvCreateMat( 1, var_count, CV_64FC1 ));  

            CV_CALL(inv_eigen_values[cls] = cvCreateMat( 1, var_count, CV_64FC1 ));  

            CV_CALL(cov_rotate_mats[cls]  = cvCreateMat( var_count, var_count, CV_64FC1 ));  

            CV_CALL(cvZero( count[cls] ));  

            CV_CALL(cvZero( sum[cls] ));  

            CV_CALL(cvZero( productsum[cls] ));  

            CV_CALL(cvZero( avg[cls] ));  

            CV_CALL(cvZero( inv_eigen_values[cls] ));  

            CV_CALL(cvZero( cov_rotate_mats[cls] ));  

        }  

    }  

    else    //如果是更新训练数据  

    {  

        // check that the new training data has the same dimensionality etc.  

        if( _var_count != var_count || _var_all != var_all || !((!_var_idx && !var_idx) ||  

            (_var_idx && var_idx && cvNorm(_var_idx,var_idx,CV_C) < DBL_EPSILON)) )  

            CV_ERROR( CV_StsBadArg,  

            "The new training data is inconsistent with the original training data" );  

  

        if( cls_labels->cols != __cls_labels->cols ||  

            cvNorm(cls_labels, __cls_labels, CV_C) > DBL_EPSILON )  

            CV_ERROR( CV_StsNotImplemented,  

            "In the current implementation the new training data must have absolutely "  

            "the same set of class labels as used in the original training data" );  

  

        nclasses = cls_labels->cols;  

    }  

  

    responses_data = responses->data.i;  

    CV_CALL( cov = cvCreateMat( _var_count, _var_count, CV_64FC1 ));  

  

    //2.处理训练数据，计算每一类的  

    // process train data (count, sum , productsum)   

    for( s = 0; s < nsamples; s++ )  

    {  

        cls = responses_data[s];  

        int* count_data = count[cls]->data.i;  

        double* sum_data = sum[cls]->data.db;  

        double* prod_data = productsum[cls]->data.db;  

        const float* train_vec = train_data[s];  

  

        for( c1 = 0; c1 < _var_count; c1++, prod_data += _var_count )  

        {  

            double val1 = train_vec[c1];  

            sum_data[c1] += val1;  

            count_data[c1]++;  

            for( c2 = c1; c2 < _var_count; c2++ )  

                prod_data[c2] += train_vec[c2]*val1;  

        }  

    }  

  

    //计算每一类的每个属性平均值、协方差矩阵  

    // calculate avg, covariance matrix, c  

    for( cls = 0; cls < nclasses; cls++ )    //对每一类  

    {  

        double det = 1;  

        int i, j;  

        CvMat* w = inv_eigen_values[cls];  

        int* count_data = count[cls]->data.i;  

        double* avg_data = avg[cls]->data.db;  

        double* sum1 = sum[cls]->data.db;  

  

        cvCompleteSymm( productsum[cls], 0 );  

  

        for( j = 0; j < _var_count; j++ )    //计算当前类别cls的每个变量属性值的平均值  

        {  

            int n = count_data[j];  

            avg_data[j] = n ? sum1[j] / n : 0.;  

        }  

  

        count_data = count[cls]->data.i;  

        avg_data = avg[cls]->data.db;  

        sum1 = sum[cls]->data.db;  

  

        for( i = 0; i < _var_count; i++ )//计算当前类别cls的变量协方差矩阵，矩阵大小为_var_count * _var_count，注意协方差矩阵对称。  

        {  

            double* avg2_data = avg[cls]->data.db;  

            double* sum2 = sum[cls]->data.db;  

            double* prod_data = productsum[cls]->data.db + i*_var_count;  

            double* cov_data = cov->data.db + i*_var_count;  

            double s1val = sum1[i];  

            double avg1 = avg_data[i];  

            int _count = count_data[i];  

  

            for( j = 0; j <= i; j++ )  

            {  

                double avg2 = avg2_data[j];  

                double cov_val = prod_data[j] - avg1 * sum2[j] - avg2 * s1val + avg1 * avg2 * _count;  

                cov_val = (_count > 1) ? cov_val / (_count - 1) : cov_val;  

                cov_data[j] = cov_val;  

            }  

        }  

  

        CV_CALL( cvCompleteSymm( cov, 1 ));  

        CV_CALL( cvSVD( cov, w, cov_rotate_mats[cls], 0, CV_SVD_U_T ));  

        CV_CALL( cvMaxS( w, min_variation, w ));  

        for( j = 0; j < _var_count; j++ )  

            det *= w->data.db[j];  

  

        CV_CALL( cvDiv( NULL, w, w ));  

        c->data.db[cls] = det > 0 ? log(det) : -700;  

    }  

  

    result = true;  

  

    __END__;  

  

    if( !result || cvGetErrStatus() < 0 )  

        clear();  

  

    cvReleaseMat( &cov );  

    cvReleaseMat( &__cls_labels );  

    cvReleaseMat( &__var_idx );  

    cvFree( &train_data );  

  

    return result;  

}  

训练部分就此完成。

6.预测

下面看用于预测的predict函数的实现代码：

[cpp] view plaincopyprint?

float CvNormalBayesClassifier::predict( const CvMat* samples, CvMat* results ) const  

{  

    float value = 0;  

  

    if( !CV_IS_MAT(samples) || CV_MAT_TYPE(samples->type) != CV_32FC1 || samples->cols != var_all )  

        CV_Error( CV_StsBadArg,  

        "The input samples must be 32f matrix with the number of columns = var_all" );  

  

    if( samples->rows > 1 && !results )  

        CV_Error( CV_StsNullPtr,  

        "When the number of input samples is >1, the output vector of results must be passed" );  

  

    if( results )  

    {  

        if( !CV_IS_MAT(results) || (CV_MAT_TYPE(results->type) != CV_32FC1 &&  

        CV_MAT_TYPE(results->type) != CV_32SC1) ||  

        (results->cols != 1 && results->rows != 1) ||  

        results->cols + results->rows - 1 != samples->rows )  

        CV_Error( CV_StsBadArg, "The output array must be integer or floating-point vector "  

        "with the number of elements = number of rows in the input matrix" );  

    }  

  

    const int* vidx = var_idx ? var_idx->data.i : 0;  

  

    cv::parallel_for(cv::BlockedRange(0, samples->rows), predict_body(c, cov_rotate_mats, inv_eigen_values, avg, samples,  

                                                                      vidx, cls_labels, results, &value, var_count  

    ));  

  

    return value;  

}  

可以发现，预测部分核心代码是：
[cpp] view plaincopyprint?

cv::parallel_for(cv::BlockedRange(0, samples->rows), predict_body(c, cov_rotate_mats, inv_eigen_values, avg, samples,  

                                                                      vidx, cls_labels, results, &value, var_count));  

parallel_for是用于并行支持的，可能会调用tbb模块。predict_body则是一个结构体，内部的()符号被重载，实现预测功能。其完整定义如下：

[cpp] view plaincopyprint?

//predict函数调用predict_body结构体的(）符号重载函数，实现基于贝叶斯的分类  

struct predict_body   

{  

    predict_body(CvMat* _c, CvMat** _cov_rotate_mats, CvMat** _inv_eigen_values, CvMat** _avg,  

                const CvMat* _samples, const int* _vidx, CvMat* _cls_labels,  

                CvMat* _results, float* _value, int _var_count1)  

    {  

        c = _c;  

        cov_rotate_mats = _cov_rotate_mats;  

        inv_eigen_values = _inv_eigen_values;  

        avg = _avg;  

        samples = _samples;  

        vidx = _vidx;  

        cls_labels = _cls_labels;  

        results = _results;  

        value = _value;  

        var_count1 = _var_count1;  

    }  

  

    CvMat* c;  

    CvMat** cov_rotate_mats;  

    CvMat** inv_eigen_values;  

    CvMat** avg;  

    const CvMat* samples;  

    const int* vidx;  

    CvMat* cls_labels;  

  

    CvMat* results;  

    float* value;  

    int var_count1;  

  

    void operator()( const cv::BlockedRange& range ) const  

    {  

  

        int cls = -1;  

        int rtype = 0, rstep = 0;  

        int nclasses = cls_labels->cols;  

        int _var_count = avg[0]->cols;  

  

        if (results)  

        {  

            rtype = CV_MAT_TYPE(results->type);  

            rstep = CV_IS_MAT_CONT(results->type) ? 1 : results->step/CV_ELEM_SIZE(rtype);  

        }  

        // allocate memory and initializing headers for calculating  

        cv::AutoBuffer<double> buffer(nclasses + var_count1);  

        CvMat diff = cvMat( 1, var_count1, CV_64FC1, &buffer[0] );  

  

        for(int k = range.begin(); k < range.end(); k += 1 )//对于每个输入测试样本  

        {  

            int ival;  

            double opt = FLT_MAX;  

  

            for(int i = 0; i < nclasses; i++ )   //对于每一类别，计算其似然概率  

            {  

  

                double cur = c->data.db[i];  

                CvMat* u = cov_rotate_mats[i];  

                CvMat* w = inv_eigen_values[i];  

  

                const double* avg_data = avg[i]->data.db;  

                const float* x = (const float*)(samples->data.ptr + samples->step*k);  

  

                // cov = u w u'  -->  cov^(-1) = u w^(-1) u'  

                for(int j = 0; j < _var_count; j++ ) //计算特征相对于均值的偏移  

                    diff.data.db[j] = avg_data[j] - x[vidx ? vidx[j] : j];  

  

                cvGEMM( &diff, u, 1, 0, 0, &diff, CV_GEMM_B_T );  

                for(int j = 0; j < _var_count; j++ )//计算特征的联合概率  

                {  

                    double d = diff.data.db[j];  

                    cur += d*d*w->data.db[j];  

                }  

  

                if( cur < opt )  //找到分类概率最大的  

                {  

                    cls = i;  

                    opt = cur;  

                }  

                // probability = exp( -0.5 * cur )   

  

            }//for(int i = 0; i < nclasses; i++ )  

  

            ival = cls_labels->data.i[cls];  

            if( results )  

            {  

                if( rtype == CV_32SC1 )  

                    results->data.i[k*rstep] = ival;  

                else  

                    results->data.fl[k*rstep] = (float)ival;  

            }  

            if( k == 0 )  

                *value = (float)ival;  

  

        }//for(int k = range.begin()...  

  

    }//void operator()...  

};  

总结

以上是生活随笔为你收集整理的Normal Bayes 分类器过程详解的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。