生活随笔
收集整理的這篇文章主要介紹了
OpenCV中使用神经网络 CvANN_MLP
小編覺得挺不錯的,現在分享給大家,幫大家做個參考.
原文：http://blog.csdn.net/xiaowei_cqu/article/details/9027617
OpenCV的ml模塊實現了人工神經網絡（Artificial Neural Networks， ANN）最典型的多層感知器（multi-layer
perceptrons, MLP）模型。由于ml模型實現的算法都繼承自統一的CvStatModel基類，其訓練和預測的接口都是train(),predict()，非常簡單。
下面來看神經網絡?CvANN_MLP?的使用~
定義神經網絡及參數：
[cpp]?view
plaincopy
?? ????CvANN_MLP?bp;??? ?????? ????CvANN_MLP_TrainParams?params;?? ????params.train_method=CvANN_MLP_TrainParams::BACKPROP;?? ????params.bp_dw_scale=0.1;?? ????params.bp_moment_scale=0.1;?? ?????? ?????? ?????? ?????? ?????? ??????
可以直接定義CvANN_MLP神經網絡，并設置其參數。?BACKPROP表示使用back-propagation的訓練方法，RPROP即最簡單的propagation訓練方法。
使用BACKPROP有兩個相關參數：bp_dw_scale即bp_moment_scale：
使用PRPOP有四個相關參數：rp_dw0, rp_dw_plus, rp_dw_minus, rp_dw_min, rp_dw_max：
上述代碼中為其默認值。
設置網絡層數，訓練數據：
[cpp]?view
plaincopy
?? ????float?labels[3][5]?=?{{0,0,0,0,0},{1,1,1,1,1},{0,0,0,0,0}};?? ????Mat?labelsMat(3,?5,?CV_32FC1,?labels);?? ?? ????float?trainingData[3][5]?=?{?{1,2,3,4,5},{111,112,113,114,115},?{21,22,23,24,25}?};?? ????Mat?trainingDataMat(3,?5,?CV_32FC1,?trainingData);?? ????Mat?layerSizes=(Mat_<int>(1,5)?<<?5,2,2,2,5);?? ????bp.create(layerSizes,CvANN_MLP::SIGMOID_SYM);?? ????????????????????????????????????????????????? ????????????????????????????????????????????????? ????bp.train(trainingDataMat,?labelsMat,?Mat(),Mat(),?params);??
layerSizes設置了有三個隱含層的網絡結構：輸入層，三個隱含層，輸出層。輸入層和輸出層節點數均為5，中間隱含層每層有兩個節點。
create第二個參數可以設置每個神經節點的激活函數，默認為CvANN_MLP::SIGMOID_SYM，即Sigmoid函數，同時提供的其他激活函數有Gauss和階躍函數。
使用訓練好的網絡結構分類新的數據：
然后直接使用predict函數，就可以預測新的節點：
[cpp]?view
plaincopy
Mat?sampleMat?=?(Mat_<float>(1,5)?<<?i,j,0,0,0);?? ????????????Mat?responseMat;?? ????????????bp.predict(sampleMat,responseMat);??
完整程序代碼：
[cpp]?view
plaincopy
?? ?? #include?<opencv2/core/core.hpp>?? #include?<opencv2/highgui/highgui.hpp>?? #include?<opencv2/ml/ml.hpp>?? #include?<iostream>?? #include?<string>?? ?? using?namespace?std;?? using?namespace?cv;?? ?? int?main()?? {?? ?????? ????CvANN_MLP?bp;??? ?????? ????CvANN_MLP_TrainParams?params;?? ????params.train_method=CvANN_MLP_TrainParams::BACKPROP;?? ????params.bp_dw_scale=0.1;?? ????params.bp_moment_scale=0.1;?? ?????? ?????? ?????? ?????? ?????? ?????? ?? ?????? ????float?labels[3][5]?=?{{0,0,0,0,0},{1,1,1,1,1},{0,0,0,0,0}};?? ????Mat?labelsMat(3,?5,?CV_32FC1,?labels);?? ?? ????float?trainingData[3][5]?=?{?{1,2,3,4,5},{111,112,113,114,115},?{21,22,23,24,25}?};?? ????Mat?trainingDataMat(3,?5,?CV_32FC1,?trainingData);?? ????Mat?layerSizes=(Mat_<int>(1,5)?<<?5,2,2,2,5);?? ????bp.create(layerSizes,CvANN_MLP::SIGMOID_SYM);?? ????????????????????????????????????????????????? ????????????????????????????????????????????????? ????bp.train(trainingDataMat,?labelsMat,?Mat(),Mat(),?params);?? ?? ?? ?????? ????int?width?=?512,?height?=?512;?? ????Mat?image?=?Mat::zeros(height,?width,?CV_8UC3);?? ????Vec3b?green(0,255,0),?blue?(255,0,0);?? ?????? ????for?(int?i?=?0;?i?<?image.rows;?++i)?? ????????for?(int?j?=?0;?j?<?image.cols;?++j)?? ????????{?? ????????????Mat?sampleMat?=?(Mat_<float>(1,5)?<<?i,j,0,0,0);?? ????????????Mat?responseMat;?? ????????????bp.predict(sampleMat,responseMat);?? ????????????float*?p=responseMat.ptr<float>(0);?? ????????????int?response=0;?? ????????????for(int?i=0;i<5;i++){?? ?????????????? ????????????????response+=p[i];?? ????????????}?? ????????????if?(response?>2)?? ????????????????image.at<Vec3b>(j,?i)??=?green;?? ????????????else???? ????????????????image.at<Vec3b>(j,?i)??=?blue;?? ????????}?? ?? ?????????? ????????int?thickness?=?-1;?? ????????int?lineType?=?8;?? ????????circle(?image,?Point(501,??10),?5,?Scalar(??0,???0,???0),?thickness,?lineType);?? ????????circle(?image,?Point(255,??10),?5,?Scalar(255,?255,?255),?thickness,?lineType);?? ????????circle(?image,?Point(501,?255),?5,?Scalar(255,?255,?255),?thickness,?lineType);?? ????????circle(?image,?Point(?10,?501),?5,?Scalar(255,?255,?255),?thickness,?lineType);?? ?? ????????imwrite("result.png",?image);?????????? ?? ????????imshow("BP?Simple?Example",?image);??? ????????waitKey(0);?? ?? }??
結果：
總結
以上是生活随笔為你收集整理的OpenCV中使用神经网络 CvANN_MLP的全部內容，希望文章能夠幫你解決所遇到的問題。
如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。
