Классификация набора изображений в классы

Ответ 1

Вы можете преобразовать изображение в вектор пикселей и выполнить PCA на этом векторе. Это может быть проще, чем пытаться вручную находить дескрипторы. Вы можете использовать numPy и sciPy в python. Например:

import scipy.io
from numpy import *
#every row in the *.mat file is 256*256 numbers representing gray scale values
#for each pixel in an image. i.e. if XTrain.mat has 1000 lines than each line
#will be made up of 256*256 numbers and there would be 1000 images in the file.
#The following loads the image into a sciPy matrix where each row is a vector
#of length 256*256, representing an image. This code will need to be switched
#out if you have a different method of storing images.
Xtrain = scipy.io.loadmat('Xtrain.mat')["Xtrain"]
Ytrain = scipy.io.loadmat('Ytrain.mat')["Ytrain"]
Xtest = scipy.io.loadmat('Xtest.mat')["Xtest"]
Ytest = scipy.io.loadmat('Ytest.mat')["Ytest"]
learn(Xtest,Xtrain,Ytest,Ytrain,5) #this lowers the dimension from 256*256 to 5

def learn(testX,trainX,testY,trainY,n):
    pcmat = PCA(trainX,n)
    lowdimtrain=mat(trainX)*pcmat #lower the dimension of trainX
    lowdimtest=mat(testX)*pcmat #lower the dimension of testX
    #run some learning algorithm here using the low dimension matrices for example
    trainset = []    

    knnres = KNN(lowdimtrain, trainY, lowdimtest ,k)
    numloss=0
    for i in range(len(knnres)):
        if knnres[i]!=testY[i]:
            numloss+=1
    return numloss

def PCA(Xparam, n):
    X = mat(Xparam)
    Xtranspose = X.transpose()
    A=Xtranspose*X
    return eigs(A,n)

def eigs(M,k):
    [vals,vecs]=LA.eig(M)
    return LM2ML(vecs[:k])

def LM2ML(lm):
    U=[[]]
    temp = []
    for i in lm: 
       for j in range(size(i)):
           temp.append(i[0,j])
       U.append(temp)
       temp = []
    U=U[1:]
    return U

Для классификации вашего изображения вы можете использовать k-ближайших соседей. т.е. вы находите k ближайших изображений и помечаете свое изображение большинством голосов над k ближайшими изображениями. Например:

def KNN(trainset, Ytrainvec, testset, k):
    eucdist = scidist.cdist(testset,trainset,'sqeuclidean')
    res=[]
    for dists in eucdist:
        distup = zip(dists, Ytrainvec)
        minVals = []
    sumLabel=0;
    for it in range(k):
        minIndex = index_min(dists)
        (minVal,minLabel) = distup[minIndex]
        del distup[minIndex]
        dists=numpy.delete(dists,minIndex,0)
        if minLabel == 1:
            sumLabel+=1
        else:
            sumLabel-=1
        if(sumLabel>0):
            res.append(1)
        else:
            res.append(0)
    return res

Ответ 2

Я знаю, что не отвечаю на ваш вопрос напрямую. Но изображения сильно различаются: дистанционное зондирование, объекты, сцены, fMRI, biomedial, лица и т.д. Это поможет, если вы немного сузите свою классификацию и сообщите нам.

Какие дескрипторы вы используете? Большая часть кода, который я использую (а также сообщество разработчиков компьютеров), находится в MATLAB, а не на python, но я уверен, что есть похожие коды (pycv module и http://www.pythonware.com/products/pil/). Попробуйте этот дескрипторный тест, который предварительно скомпилировал самый современный код от людей в MIT: http://people.csail.mit.edu/jxiao/SUN/ Попробуйте взглянуть на GIST, HOG и SIFT, они довольно стандартизированы в зависимости от того, что вы хотите анализировать: сцены, объекты или точки соответственно.

Ответ 3

Сначала импортируйте библиотеки и извлеките снимки

from sklearn import datasets    
%matplotlib inline
import sklearn as sk
import numpy as np
import matplotlib.pyplot as plt
digits = datasets.load_digits()
X_digits = digits.data
y_digits = digits.target
ind4 = np.where(y_digits==4)
ind5=  np.where(y_digits==5)
plt.imshow(X_digits[1778].reshape((8,8)),cmap=plt.cm.gray_r)

Ответ 4

затем используйте эту функцию:

xx = np.arange(64)

def feature_11 (xx):

yy=xx.reshape(8,8)
feature_1 = sum(yy[0:2,:])
feature11 = sum(feature_1)
print (feature11)
return feature11

feature_11 (X_digits [тысяча семьсот семьдесят-восемь])

затем используйте lda:

из sklearn.discriminant_analysis import LinearDiscriminantAnalysis

clf = LinearDiscriminantAnalysis()

ind_all = np.arange(0, len (y_digits))

np.random.shuffle(ind_all)

ind_training = ind_all [0: int (0.8 * len (ind_all))]

ind_test = ind_all [int (0.8 * len (ind_all)):]

clf.fit(X_digits [ind_training], y_digits [ind_training])

y_predicted = clf.predict(X_digits [ind_test])

plt.subplot(211)

plt.stem(y_predicted)

plt.subplot(212)

plt.stem(y_digits [ind_test], 'r')

plt.stem(y_digits [ind_test] - y_predicted, 'r')

sum (y_predicted == y_digits [ind_test])/len (y_predicted)