python 图像特征提取_python实现LBP方法提取图像纹理特征实现分类的步骤
题目描述
这篇博文是数字图像处理的大作业.
包含40幅不同风格的纹理图像样本,每幅图像尺寸均为512×512像素,要求将每幅图像均匀划分为9个部分,选取其中5个部分构成训练样本,剩余4个部分作为测试样本,并设计并建立相应的模型用于对纹理图像进行分类
图片如下图所示:
分析部分指出,因数据样本数量有限,基于深度学习的神经网络模型在处理这类图像时表现出局限性.因此需要开发有效的算法来提取和描述图像中的纹理特征.在本研究中,我们采用了LBP算法来提取和表示图像的空间纹理特征.随后通过多类别分类器对这些特征进行识别和归类.
环境
python2.7,jupyter notebook,anaconda
数据集的地址
实现
读取数据
Numpy包数组操作API格式化数据
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;
#切割后的图像位于数据的位置
index = 0;
#将图片分割成九块
for row in np.arange(3):
for col in np.arange(3):
if index<5:
train_data[train_index,:,:] = data[171row:171(row+1),171col:171(col+1)];
train_label[train_index] = i;
train_index+=1;
else:
test_data[test_index,:,:] = data[171row:171(row+1),171col:171(col+1)];
test_label[test_index] = i;
test_index+=1;
index+=1;
return train_data,test_data,train_label,test_label;
特征提取
LBP特征提取方法
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方法提取图像的纹理特征.
lbp=skft.local_binary_pattern(train_data[i],n_point,radius,'default');
#统计图像的直方图
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');
#统计图像的直方图
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;
训练分类器
SVM支持向量机分类.
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);
One vs. rest分类器（核函数rbf,最后一类索引号）.拟合训练历史和标签.计算测试集的历史和标签的得分
实验测试集结果的正确率为:90.6%
初次接触Python的numpy库时会感到其API的学习存在困难。然而，在实际应用中发现该库仍有优化空间。与Matlab中的矩阵操作存在显著差异，但就机器学习领域而言，scikit-learn是一个极为优秀的工具库。
总结：分类器的效果尚有提升空间；同时建议从以下几个方面入手：一是优化分类器本身；二是探索更有效的特征提取方法。
这就是本文的核心内容。这篇短文旨在提供一些有用的学习资料。我们也衷心感谢大家的支持与鼓励！
时间： 2019-07-08