这是（shì）opencv SVM图（tú）分类训练图片和测（cè）试图片下载，该训练图（tú）片共有（yǒu）四种（zhǒng），很适合做（zuò）SVM图像分类（lèi）的训练和测（cè）试，图像分类的代码可以（yǐ）自己写（xiě），也可（kě）以用我的工程（chéng）文件。
opencv SVM图分类训练图（tú）片（piàn）和测试图（tú）片是支持（chí）向（xiàng）量机（SVM）中最核心的是什么（me）？个人理解就（jiù）是前4个字——“支持向量”，一（yī）旦在（zài）两（liǎng）类或多累样本集中（zhōng）定位到某些特（tè）定的点作为支持向量（liàng），就可以依据这些支持（chí）向量计（jì）算出来分（fèn）类（lèi）超平面，再依据超平（píng）面对类别（bié）进行归类划分就是水到渠成的事了。有必（bì）要回顾（gù）一下什么是支持向量机中的（de）支（zhī）持（chí）向量。
上图中需要对红色和蓝（lán）色的两类训练样本进（jìn）行区分（fèn），实现绿线是决策面（超平面），最（zuì）靠近决策面的2个实心红色样本和1个实心蓝色（sè）样本分别（bié）是两类训练样（yàng）本的支持向量（liàng），决策面所在的位置是使得两类支持（chí）向量（liàng）与（yǔ）决策面之间的间隔都达到最大时决策面所处的位置。一般情况下，训（xùn）练样本都（dōu）会存（cún）在噪声（shēng），这就（jiù）导致其中一类样本的一个或多个样本跑（pǎo）到了决策面的（de）另一边，掺杂到另一类样本中。针对这种情况，SVM加入了松弛变（biàn）量（liàng）（惩罚变量）来应对，确（què）保这些噪声样本不会被（bèi）作为支持向量，而不管（guǎn）它们离超平面的距离有多（duō）近（jìn）。包括（kuò）SVM中的另一个（gè）重要（yào）概念“核函数”，也是为训练样（yàng）本支（zhī）持（chí）向量的确定提供支持的。
直（zhí）接（jiē）将图片分类好放（fàng）进完好、破损文件（jiàn）夹（jiá），完好文（wén）件夹全体重（chóng）命名为1破（pò）损文（wén）件（jiàn）夹全体重（chóng）命（mìng）名为2，测（cè）试文（wén）件（jiàn）夹（jiá）全体重命名为（wéi）3，重（chóng）命名（míng）后后即可运行项目（mù），完成svm分类训练（liàn）出（chū）分类模型svm.xml，并进行预测图片分类。
