題目描述

這篇博文是數字影象處理的大作業.
題目描述:給定40張不同風格的紋理圖片,大小為512*512,要求將每張圖片分為大小相同的9塊,利用其中的5塊作為訓練集,剩餘的4塊作為測試集,構建適當的模型實現圖片的分類.
圖片如下圖所示:

分析:由於資料集太小,所以神經網路模型並不適合此類的影象處理.就需要尋找方法提取影象的紋理資訊.本文采用LBP的方法提取影象的紋理資訊,然後轉化成直方圖作為影象的特徵,然後使用多分類的方法進行分類.

環境

實現

讀取資料

Numpy包陣列操作API格式化資料

def loadPicture():
    train_index = 0;
    test_index = 0
 
;
    train_data = np.zeros( (200,171,171) );
    test_data = np.zeros( (160,171,171) );
    train_label = np.zeros( (200) );
    test_label = np.zeros( (160) );
    for i in np.arange(40):
        image = mpimg.imread('picture/'+str(i)+'.tiff');
        data = np.zeros( (513,513) );
        data[0:image.shape[0
 
],0:image.shape[1]] = image;
        #切割後的影象位於資料的位置
        index = 0;
        #將圖片分割成九塊
        for row in np.arange(3):
            for col in np.arange(3):
                if index<5:
                    train_data[train_index,:,:] = data[171*row:171*(row+1),171*col:171*(col+1)];
                    train_label[train_index] = i;
                    train_index+=1
 
;
                else:
                    test_data[test_index,:,:] = data[171*row:171*(row+1),171*col:171*(col+1)];
                    test_label[test_index] = i;
                    test_index+=1;
                index+=1;
    return train_data,test_data,train_label,test_label;

特徵提取

LBP特徵提取方法

radius = 1;
n_point = radius * 8;

def texture_detect():
    train_hist = np.zeros( (200,256) );
    test_hist = np.zeros( (160,256) );
    for i in np.arange(200):
        #使用LBP方法提取影象的紋理特徵.
        lbp=skft.local_binary_pattern(train_data[i],n_point,radius,'default');
        #統計影象的直方圖
        max_bins = int(lbp.max() + 1);
        #hist size:256
        train_hist[i], _ = np.histogram(lbp, normed=True, bins=max_bins, range=(0, max_bins));

    for i in np.arange(160):
        lbp = skft.local_binary_pattern(test_data[i],n_point,radius,'default');
        #統計影象的直方圖
        max_bins = int(lbp.max() + 1);
        #hist size:256
        test_hist[i], _ = np.histogram(lbp, normed=True, bins=max_bins, range=(0, max_bins));


    return train_hist,test_hist;

訓練分類器

SVM支援向量機分類.

import matplotlib.image as mpimg
import matplotlib.pyplot as plt
import numpy as np
from sklearn.multiclass import OneVsRestClassifier
from sklearn.svm import SVR
from skimage import feature as skft
train_data,test_data,train_label,test_label= loadPicture();
train_hist,test_hist = texture_detect();
svr_rbf = SVR(kernel='rbf', C=1e3, gamma=0.1);
OneVsRestClassifier(svr_rbf,-1).fit(train_hist, train_label).score(test_hist,test_label)

實驗測試集結果的正確率為:90.6%

第一次使用python的numpy包,對其中的api是真的不熟悉,程式碼還可以優化.其中和matlab裡的矩陣操作也有不少不同,但是關於機器學習的scikitlearn包確實很好用.

總結:結果的正確率不是很高,所以還是可以在分類器上優化,或者尋找更好的特徵提取的方式.

—————–2017.4.6