这是opencv SVM图（tú）分类训（xùn）练图片和测试图片（piàn）下（xià）载，该训练图片共有四种，很适（shì）合做SVM图像分（fèn）类的训（xùn）练（liàn）和测试（shì），图像（xiàng）分类的代码可以自己写，也可（kě）以用我（wǒ）的（de）工（gōng）程文件。
opencv SVM图（tú）分类（lèi）训练图片和测试图片（piàn）是支持向量（liàng）机（jī）（SVM）中最核心的是什（shí）么？个人理解就是前4个字（zì）——“支持向量”，一旦在（zài）两类（lèi）或多累样本集中定位（wèi）到某些特定的点作为支（zhī）持向量，就可以依（yī）据这些支持向（xiàng）量计算（suàn）出（chū）来分类超平（píng）面，再依据超平面对类别进行归类划分就是水到（dào）渠成的事了。有（yǒu）必要回顾（gù）一下什么是支持向量机中的支持向量（liàng）。
上图中需要对红（hóng）色（sè）和蓝（lán）色的两（liǎng）类训练样本进行（háng）区分，实现绿线是决策面（超平（píng）面），最（zuì）靠近（jìn）决策面（miàn）的2个实心红色样本和1个实心蓝色样本分别是两类训（xùn）练（liàn）样本的（de）支持向量，决策面（miàn）所（suǒ）在的（de）位置是使得（dé）两类支持向量与（yǔ）决策面（miàn）之间的间隔都达到最大时决（jué）策面所处的位置。一（yī）般情况下，训练样本都会存在噪（zào）声，这就导（dǎo）致其中（zhōng）一类样本的一（yī）个或多个样本跑到了决策（cè）面的另一边，掺杂到另（lìng）一类样（yàng）本中。针对（duì）这种（zhǒng）情况，SVM加入了松弛变量（惩罚变量）来应对，确保这（zhè）些噪声样本不会被作为支持向量，而不管它们离超平面的距离有多近。包括SVM中的另一个重要（yào）概念“核（hé）函（hán）数”，也是为训练（liàn）样本支持向量的（de）确定提供支持的（de）。
直接将图片分类好放进完好、破损文件夹，完好文件（jiàn）夹全体重命名（míng）为1破损文件（jiàn）夹全体（tǐ）重命名（míng）为2，测试文件夹（jiá）全体重命名为3，重命名后后即可运行项目（mù），完成svm分类训练出分类模型svm.xml，并进行预测图（tú）片分类。
