Вы уже получили данные в правильном формате; осталось только создать экземпляр объекта CvRTrees и выполнить свой прогноз.
Документацию по Random Trees v2.3 можно найти здесь . Вы также захотите взглянуть на документацию CvStatModel::train(), которая содержит описание большинства параметров для CvRTree::train. Том привел хороший полный пример в комментариях, которые вы должны использовать.
Наряду с вашими данными вам понадобится циновка, чтобы указать тип каждого из ваших атрибутов. Этот Mat имеет одну строку для каждого входного атрибута и одну дополнительную строку для типа вывода (так что в вашем случае 16x16x3 + 1 строка).
При желании вы можете использовать объект CvRTParams для указания таких параметров, как количество деревьев, максимальная глубина и т. Д. Я использую значения по умолчанию в примере ниже.
Если вам нравится, вы можете передать значения valIdx и sampleIdx Mats, которые определяют, какие атрибуты и какие строки данных, соответственно, использовать для обучения. Это может быть полезно для выбора данных обучения / проверки без выполнения гимнастики, чтобы получить их в отдельных циновках.
Вот краткий пример:
#define ATTRIBUTES_PER_SAMPLE (16*16*3)
// Assumes training data (1000, 16x16x3) are in training_data
// Assumes training classifications (1000, 1) are in training_classifications
// All inputs are numerical. You can change this to reflect your data
Mat var_type = Mat(ATTRIBUTES_PER_SAMPLE + 1, 1, CV_8U );
var_type.setTo(Scalar(CV_VAR_NUMERICAL) ); // all inputs are numerical
// Output is a category; this is classification, not regression
var_type.at<uchar>(ATTRIBUTES_PER_SAMPLE, 0) = CV_VAR_CATEGORICAL;
// Train the classifier
CvRTrees* rtree = new CvRTrees;
rtree->train(training_data, CV_ROW_SAMPLE, training_classifications,
Mat(), Mat(), var_type);