机器学习实现图像分类（简单易上手） SVM KNN 决策树 朴素贝叶斯 机器学习作业 |
您所在的位置：网站首页 › 进行图片识别 › 机器学习实现图像分类（简单易上手） SVM KNN 决策树 朴素贝叶斯 机器学习作业 |
机器学习实现图像分类（简单易上手） SVM KNN 决策树 朴素贝叶斯 机器学习作业
|
机器学习实现图像分类 SVM KNN 决策树 朴素贝叶斯
本文目的是通过svm knn等机器学习的方法实现图像分类，其中包括两个图片数据集：从人物到美食共10种类别，以及一个焊接缺陷数据集。最后附带一个混淆矩阵的展示代码，完整的数据集、代码请查看 github
https://github.com/chestnut24/SVMImageClassification 重要提示：本文仅仅靠调用python的sklearn中的模型包实现机器学习方法，不喜勿喷 代码主要参考并改进https://blog.csdn.net/Eastmount/article/details/104263641?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-12.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-12.nonecase&tdsourcetag=s_pctim_aiomsg 完整项目、数据集及使用说明请参见github： https://github.com/chestnut24/SVMImageClassification 如果有用请点一下star 实现效果有两种数据集： 数据集1：彩色图片，从人物、美食到风景共十种类别每种100张图片，共十类1000张 每种缺陷30张，共四类120张 Step1：对图像进行批量处理。 Step2：读取图片，并分别对图像进行灰度直方图特征提取和SIFT特征提取，并将特征提取处理后的图像拉伸为一维向量。 Step3：建立训练集，将其代入 SVM 算法中进行训练生成一个模型，最后将测试集代入模型中进行分类预测。 Step4：将分类结果与实际值进行对比，得到准确率、召回率等以及混淆矩阵，并对试验结果进行对比讨论。 Step5：将SVM分类结果与其他机器学习的实验结果进行对比比较，讨论模型分类的性能。 代码 # -*- coding: utf-8 -*- import os import cv2 import numpy as np from sklearn.model_selection import train_test_split from sklearn.metrics import confusion_matrix, classification_report from sklearn.svm import SVC from sklearn.metrics import confusion_matrix import matplotlib.pyplot as plt import matplotlib as mpl mpl.rcParams['font.sans-serif'] = ['KaiTi'] mpl.rcParams['font.serif'] = ['KaiTi'] # mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题,或者转换负号为字符串 # ---------------------------------------------------------------------------------- # 第一步 切分训练集和测试集 # ---------------------------------------------------------------------------------- X = [] # 定义图像名称 Y = [] # 定义图像分类类标 Z = [] # 定义图像像素 # 记得更改此处4或者10 for i in range(0, 10): # 遍历文件夹，读取图片 for f in os.listdir("photo2/%s" % i): # 获取图像名称 X.append("photo2//" + str(i) + "//" + str(f)) # 获取图像类标即为文件夹名称 Y.append(i) # print(X) # print(Y) # os.walk 可以遍历多层路径，使用root, dirs, files # # for root, dirs, files in os.walk("photo"): # # Y.append(type_name) # for file in files: # X.append(os.path.join(root, file)) # print(X) # print(Y) X = np.array(X) Y = np.array(Y) # 随机率为100% 选取其中的20%作为测试集 X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.2, random_state=1) print(len(X_train), len(X_test), len(y_train), len(y_test)) # ---------------------------------------------------------------------------------- # 第二步 图像读取及转换为像素直方图 # ---------------------------------------------------------------------------------- # 训练集 XX_train = [] for i in X_train: # 读取图像 # print i image = cv2.imdecode(np.fromfile(i, dtype=np.uint8), cv2.IMREAD_COLOR) # 图像像素大小一致 img = cv2.resize(image, (256, 256), interpolation=cv2.INTER_CUBIC) # 计算图像直方图并存储至X数组 hist = cv2.calcHist([img], [0, 1], None, [256, 256], [0.0, 255.0, 0.0, 255.0]) XX_train.append(((hist / 255).flatten())) # 测试集 XX_test = [] for i in X_test: # 读取图像 # print i # 不使用imread，而是用imdecode以识别中文路径 image = cv2.imdecode(np.fromfile(i, dtype=np.uint8), cv2.IMREAD_COLOR) # 图像像素大小一致 img = cv2.resize(image, (256, 256), interpolation=cv2.INTER_CUBIC) # 计算图像直方图并存储至X数组 hist = cv2.calcHist([img], [0, 1], None, [256, 256], [0.0, 255.0, 0.0, 255.0]) XX_test.append(((hist / 255).flatten())) # ---------------------------------------------------------------------------------- # 第三步 基于支持向量机的图像分类处理 # ---------------------------------------------------------------------------------- # 0.5 # 常见核函数‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’ clf = SVC().fit(XX_train, y_train) clf = SVC(kernel="linear").fit(XX_train, y_train) predictions_labels = clf.predict(XX_test) # ---------------------------------------------------------------------------------- # 第三步 基于决策树的图像分类处理 # ---------------------------------------------------------------------------------- # 0.36 # from sklearn.tree import DecisionTreeClassifier # clf = DecisionTreeClassifier().fit(XX_train, y_train) # predictions_labels = clf.predict(XX_test) # ---------------------------------------------------------------------------------- # 第三步 基于KNN的图像分类处理 # ---------------------------------------------------------------------------------- # 0.11 # from sklearn.neighbors import KNeighborsClassifier # clf = KNeighborsClassifier(n_neighbors=11).fit(XX_train, y_train) # predictions_labels = clf.predict(XX_test) # ---------------------------------------------------------------------------------- # 第三步 基于朴素贝叶斯的图像分类处理 # ---------------------------------------------------------------------------------- # 0.01 # from sklearn.naive_bayes import BernoulliNB # clf = BernoulliNB().fit(XX_train, y_train) # predictions_labels = clf.predict(XX_test) print(u'预测结果:') print(predictions_labels) print(u'算法评价:') print(classification_report(y_test, predictions_labels)) # 输出前10张图片及预测结果 # k = 0 # while k < 10: # # 读取图像 # print(X_test[k]) # image = cv2.imread(X_test[k]) # print(predictions_labels[k]) # # 显示图像 # # cv2.imshow("img", image) # cv2.waitKey(0) # cv2.destroyAllWindows() # k = k + 1 # -*-coding:utf-8-*- # labels表示你不同类别的代号，比如这里的demo中有10个类别 labels = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] # labels = ['条形缺陷', '未焊透', '未熔合', '圆形缺陷'] ''' 具体解释一下re_label.txt和pr_label.txt这两个文件，比如你有100个样本 去做预测，这100个样本中一共有10类，那么首先这100个样本的真实label你一定 是知道的，一共有10个类别，用[0,9]表示，则re_label.txt文件中应该有100 个数字，第n个数字代表的是第n个样本的真实label（100个样本自然就有100个 数字）。 同理，pr_label.txt里面也应该有1--个数字，第n个数字代表的是第n个样本经过 你训练好的网络预测出来的预测label。 这样，re_label.txt和pr_label.txt这两个文件分别代表了你样本的真实label和预测label，然后读到y_true和y_pred这两个变量中计算后面的混淆矩阵。当然，不一定非要使用这种txt格式的文件读入的方式，只要你最后将你的真实 label和预测label分别保存到y_true和y_pred这两个变量中即可。 ''' y_true = y_test # 正确标签 y_pred = predictions_labels # 预测标签 # 如果用10类照片就把下面注释掉 # y_true = [] # 正确标签 # y_pred = [] # 预测标签 # for i in range(len(y_test)): # if y_test[i] == 0: # y_true.append('条形缺陷') # elif y_test[i] == 1: # y_true.append('未焊透') # elif y_test[i] == 2: # y_true.append('未熔合') # elif y_test[i] == 3: # y_true.append('圆形缺陷') # # for i in range(len(predictions_labels)): # if predictions_labels[i] == 0: # y_pred.append('条形缺陷') # elif predictions_labels[i] == 1: # y_pred.append('未焊透') # elif predictions_labels[i] == 2: # y_pred.append('未熔合') # elif predictions_labels[i] == 3: # y_pred.append('圆形缺陷') tick_marks = np.array(range(len(labels))) + 0.5 def plot_confusion_matrix(cm, title='Confusion Matrix', cmap=plt.cm.binary): plt.imshow(cm, interpolation='nearest', cmap=cmap) plt.title(title) plt.colorbar() xlocations = np.array(range(len(labels))) plt.xticks(xlocations, labels, rotation=90) plt.yticks(xlocations, labels) plt.ylabel('True label') plt.xlabel('Predicted label') cm = confusion_matrix(y_true, y_pred) np.set_printoptions(precision=2) cm_normalized = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis] print(cm_normalized) plt.figure(figsize=(12, 8), dpi=120) ind_array = np.arange(len(labels)) x, y = np.meshgrid(ind_array, ind_array) for x_val, y_val in zip(x.flatten(), y.flatten()): c = cm_normalized[y_val][x_val] if c > 0.01: plt.text(x_val, y_val, "%0.2f" % (c,), color='red', fontsize=7, va='center', ha='center') # offset the tick plt.gca().set_xticks(tick_marks, minor=True) plt.gca().set_yticks(tick_marks, minor=True) plt.gca().xaxis.set_ticks_position('none') plt.gca().yaxis.set_ticks_position('none') plt.grid(True, which='minor', linestyle='-') plt.gcf().subplots_adjust(bottom=0.15) plot_confusion_matrix(cm_normalized, title='Normalized confusion matrix') # show confusion matrix plt.savefig('matrix.png', format='png') plt.show() 结果展示记得更改代码中的文件路径、读取文件个数和混淆矩阵label 仅展示svm的分类效果，因为svm的结果比较好 ① 彩色自然图像 混淆矩阵 准确率 |
可以使用svm, knn, 朴素贝叶斯，决策树四种机器学习方法进行分类。将代码分成了四个文件，可以分别使用，不过也把相应的包注释在了svm这个文件中，并添加了混淆矩阵，通过更改注释即可更换。 （下文将附加代码，此处仅展示） 
准确率 
② 缺陷图像 混淆矩阵 
数据集放在了github https://github.com/chestnut24/SVMImageClassification【本文地址】
今日新闻 |
推荐新闻 |