update

README.md

@@ -0,0 +1,291 @@
+---
+layout: default
+title: 08. SVM
+subtitle: 지능자동화실제 과목
+---
+-----
+
+[PINBlog Gitea Repository](https://gitea.pinblog.codes/CBNU/08_SVM)
+
+-----
+
+# Feature Matching
+- 산업인공지능학과 대학원
+    2022254026
+        김홍열
+
+
+---
+
+# **Support Vector Machines (SVM): 기계 학습의 강력한 도구**
+
+안녕하세요, 여러분! 오늘은 기계 학습의 중요한 알고리즘 중 하나인 Support Vector Machines (SVM)에 대해 알아보려고 합니다.
+SVM은 분류와 회귀 문제 모두에 사용될 수 있는 강력한 기법입니다.
+그럼 시작해볼까요?
+
+# **1. SVM이란 무엇인가?**
+
+SVM은 데이터를 분류하는 데 사용되는 지도 학습 모델입니다.
+주요 아이디어는 데이터를 가장 잘 구분하는 경계선 (또는 초평면)을 찾는 것입니다.
+이 경계선은 두 클래스 간의 마진을 최대화하는 방향으로 선택됩니다.
+
+# **2. 어떻게 작동하는가?**
+
+SVM은 데이터 포인트를 공간에 표시하고, 이 포인트들을 분리하는 초평면을 찾습니다.
+이 초평면은 두 클래스 사이의 거리 (마진)가 최대가 되도록 선택됩니다. 
+이 때, 마진을 최대화하는 데이터 포인트들을 **Support Vectors**라고 부릅니다.
+
+# **3. 커널 트릭**
+
+실제 데이터는 선형적으로 분리될 수 없을 때가 많습니다. 
+이런 경우에 SVM은 커널 트릭을 사용하여 데이터를 더 높은 차원의 공간으로 매핑하고, 
+그 공간에서 초평면을 찾습니다. 
+대표적인 커널로는 RBF, 다항식 커널 등이 있습니다.
+
+# **4. SVM의 장점**
+
+- **효과적인 고차원 데이터 처리**: SVM은 고차원 데이터에서도 잘 작동합니다.
+- **메모리 효율적**: SVM은 Support Vectors만 사용하기 때문에 메모리 효율이 좋습니다.
+- **커널 트릭**: 다양한 결정 경계를 얻을 수 있습니다.
+
+# **5. 사용 사례**
+
+SVM은 얼굴 인식, 손글씨 인식, 이미지 분류, 바이오인포매틱스 등 다양한 분야에서 사용됩니다.
+
+
+---
+
+### 예제 코드[¶]()
+
+<details>
+<summary>SVM - Plane</summary>
+
+<div markdown="1">
+  
+```c++
+
+void svmplane()
+{
+	Mat train = Mat_<float>({ 8, 2 },
+	{
+		150, 200, 200, 250, 100, 250, 150, 300,
+		350, 100, 400, 200, 400, 300, 350, 400 });
+	Mat label = Mat_<int>({ 8, 1 }, { 0, 0, 0, 0, 1, 1, 1, 1 });
+
+	Ptr<SVM> svm = SVM::create();
+	svm->setType(SVM::Types::C_SVC);
+	svm->setKernel(SVM::KernelTypes::RBF);
+	svm->trainAuto(train, ROW_SAMPLE, label);
+	Mat img = Mat::zeros(Size(500, 500), CV_8UC3);
+
+	for (int j = 0; j < img.rows; j++)
+	{
+		for (int i = 0; i < img.cols; i++)
+		{
+			Mat test = Mat_<float>({ 1, 2 }, { (float)i, (float)j });
+			int res = cvRound(svm->predict(test));
+			if (res == 0)
+				img.at<Vec3b>(j, i) = Vec3b(128, 128, 255); // R
+			else
+				img.at<Vec3b>(j, i) = Vec3b(128, 255, 128); // G
+		}
+	}
+
+	for (int i = 0; i < train.rows; i++)
+	{
+		int x = cvRound(train.at<float>(i, 0));
+		int y = cvRound(train.at<float>(i, 1));
+		int l = label.at<int>(i, 0);
+		if (1 == 0)
+			circle(img, Point(x, y), 5, Scalar(0, 0, 128), -1, LINE_AA); // R
+		else
+			circle(img, Point(x, y), 5, Scalar(0, 128, 0), -1, LINE_AA); // G
+	}
+
+	imshow("svm", img);
+	imwrite("svm_result1.png", img);
+	waitKey();
+
+	return;
+}
+
+
+```
+
+![Result](/08_SVM/svm_result1.png)
+
+</div>
+</details>
+
+
+<details>
+<summary>SVM - Digits</summary>
+
+<summary>Defines</summary>
+<div markdown="1">
+  
+```c++
+
+Ptr<SVM> train_hog_svm(const HOGDescriptor& hog);
+void on_mouse(int event, int X, int y, int flags, void* userdata);
+
+```
+
+</div>
+
+<summary>Main Func</summary>
+<div markdown="1">
+  
+```c++
+
+void svmdigits()
+{
+#if _DEBUG
+	cout << "svndigits.exe should be built as Release mode !" << endl;
+	return;
+#endif
+
+	HOGDescriptor hog(Size(20, 20), Size(10, 10), Size(5, 5), Size(5, 5), 9);
+	Ptr<SVM> svm = train_hog_svm(hog);
+
+	if (svm.empty())
+	{
+		cerr << "Training failed! " << endl;
+		return;
+	}
+
+	Mat img = Mat::zeros(400, 400, CV_8U);
+	imshow("img", img);
+	setMouseCallback("img", on_mouse, (void*)&img);
+
+	while (true)
+	{
+		int c = waitKey();
+
+		if (c == 27)
+			break;
+		else if (c == ' ')
+		{
+			Mat img_resize;
+			resize(img, img_resize, Size(20, 20), 0, 0, INTER_AREA);
+
+			vector<float> desc;
+			hog.compute(img_resize, desc);
+			Mat desc_mat(desc);
+			int res = cvRound(svm->predict(desc_mat.t()));
+			cout << res << endl;
+
+			img.setTo(0);
+			imshow("img", img);
+		}
+	}
+
+	return;
+}
+
+```
+
+</div>
+
+<summary>Train Hog - SVM</summary>
+<div markdown="1">
+  
+```c++
+
+Ptr<SVM> train_hog_svm(const HOGDescriptor& hog)
+{
+	Mat digits = imread("digits.png", IMREAD_GRAYSCALE);
+
+	if (digits.empty())
+	{
+		cerr << "Image load failed!" << endl;
+		return 0;
+	}
+
+	Mat train_hog, train_labels;
+
+	for (int j = 0; j < 50; j++)
+	{
+		for (int i = 0; i < 100; i++)
+		{
+			Mat roi = digits(Rect(i * 20, j * 20, 20, 20));
+			vector<float> desc;
+
+			hog.compute(roi, desc);
+			Mat desc_mat(desc);
+
+			train_hog.push_back(desc_mat.t());
+			train_labels.push_back(j / 5);
+		}
+	}
+
+	Ptr<SVM> svm = SVM::create();
+	svm->setType(SVM::Types::C_SVC);
+	svm->setKernel(SVM::KernelTypes::RBF);
+	svm->setC(2.5);
+	svm->setGamma(0.50625);
+	svm->train(train_hog, ROW_SAMPLE, train_labels);
+
+	return svm;
+}
+
+```
+
+
+</div>
+
+<summary>Mouse Event</summary>
+<div markdown="1">
+  
+```c++
+
+Point ptPrev(-1, -1);
+void on_mouse(int event, int x, int y, int flags, void* userdata)
+{
+	Mat img = *(Mat*)userdata;
+
+	if (event == EVENT_LBUTTONDOWN)
+	{
+		ptPrev = Point(x, y);
+	}
+	else if (event == EVENT_LBUTTONUP)
+	{
+		ptPrev = Point(-1, -1);
+	}
+	else if (event == EVENT_MOUSEMOVE && (flags & EVENT_FLAG_LBUTTON))
+	{
+		line(img, ptPrev, Point(x, y), Scalar::all(255), 40, LINE_AA, 0);
+		ptPrev = Point(x, y);
+		imshow("img", img);
+		imwrite("svm_result2.png", img);
+	}
+}
+
+```
+
+![Origin](/08_SVM/digits.png)
+![Result](/08_SVM/svm_result2.png)
+![Result](/08_SVM/svm_result3.png)
+
+</div>
+
+</details>
+
+
+
+# **6. 결론**
+
+SVM은 기계 학습 분야에서 널리 사용되는 강력한 알고리즘입니다. 
+데이터가 선형적으로 분리되지 않는 복잡한 문제에서도 높은 성능을 발휘합니다. 
+다음 번에는 SVM을 실제로 구현하고 실행하는 방법에 대해 알아보겠습니다!
+
+---
+
+이렇게 SVM에 대한 기본적인 개념과 특징을 간단하게 소개하는 블로그 포스트를 작성해 보았습니다. 다음 포스트에서는 실제 코드 예제와 함께 SVM의 실제 응용 사례를 살펴보는 것도 좋을 것 같습니다!
+
+---
+
+### 참고[¶]()
+
+- 지능자동화실제 과목, 박태형 교수
+- ChatGPT