使用 SVM 进行图像分类 - Python答案

【问题标题】：Image classification using SVM - Python使用 SVM 进行图像分类 - Python
【发布时间】：2016-05-15 03:01:22
【问题描述】：

我有一组图像，分为优质图像和劣质图像。我必须训练一个分类模型，以便任何新图像都可以分类为好/坏。 SVM 似乎是最好的方法。我在 MATLAB 中完成了图像处理，但在 python 中没有。

谁能建议如何在 python 中做到这一点？图书馆有哪些？ SVM scikit 有，图像的特征提取和 PCA 呢？

【问题讨论】：

小心你要处理的问题不是分类是质量评估。我不是 Python 专家，但从图像处理的角度来看，这是两个不同的问题。
@BH85 我同意。但问题是评估质量并在此基础上对其进行分类是好是坏。什么是正确的做法？

【解决方案1】：

看看dlib 和opencv。两者都是用 C++ 实现的成熟的计算机视觉框架，带有 python 绑定。这很重要，因为这意味着它依赖于引擎盖下的编译代码，因此它比在直接 python 中完成要快得多。我相信在 dlib 中实现 SVM 是基于目前更多的研究，因此您可能需要考虑这一点，因为使用它可能会获得更好的结果。

【讨论】：

【解决方案2】：

我会开始阅读this 简单教程，然后进入OpenCV Python 教程。另外，如果您熟悉sklearn 接口，则有Scikit-Image。

【讨论】：

【解决方案3】：

我正在使用 opencv 2.4、python 2.7 和 pycharm

SVM是一种用于数据分类的机器学习模型。Opencv2.7有pca和svm。使用svm构建图像分类器的步骤是

调整每张图片的大小
转换为灰度
找到主成分分析
扁平化并将其附加到训练列表中
将标签附加到训练标签

示例代码是

for file in listing1:
 img = cv2.imread(path1 + file)
 res=cv2.resize(img,(250,250))
 gray_image = cv2.cvtColor(res, cv2.COLOR_BGR2GRAY)
 xarr=np.squeeze(np.array(gray_image).astype(np.float32))
 m,v=cv2.PCACompute(xarr)
 arr= np.array(v)
 flat_arr= arr.ravel()
 training_set.append(flat_arr)
 training_labels.append(1)

现在培训

trainData=np.float32(training_set)
responses=np.float32(training_labels)
svm = cv2.SVM()
svm.train(trainData,responses, params=svm_params)
svm.save('svm_data.dat')

我想这会给你一些想法。

【讨论】：

谢谢，但看在上帝的份上，请写一个大大的注释（对于我们这些不是 python 大师的人）“这个代码实际上不起作用，”所以我们这些人，不是python fluent 并没有浪费很多时间试图弄清楚为什么我们会遇到大量错误......谢谢！