У меня проблема, что я получаю набор изображений и должен их классифицировать.
Дело в том, что я действительно не знаю этих образов. Поэтому я планирую использовать столько дескрипторов, сколько могу найти, а затем сделать PCA для тех, кто идентифицирует только дескрипторы, которые мне полезны.
Я могу выполнять контролируемое обучение на множестве данных, если это помогает. Однако есть вероятность, что изображения связаны друг с другом. Значит, может быть развитие от Image X до Image X + 1, хотя я надеюсь, что это будет разобрано с информацией в каждом изображении.
Мой вопрос:
- Как я могу сделать это лучше всего при использовании Python? (Я хочу сначала сделать доказательство концепции, где скорость не является проблемой). Какие библиотеки я должен использовать?
- Есть ли уже примеры для изображения? Классификация такого рода? Пример использования кучи дескрипторов и приготовления их через PCA? Честно говоря, эта часть для меня страшна. Хотя я думаю, что python должен уже сделать что-то подобное для меня.
Изменить: Я нашел опрятный набор, который я сейчас пробую для этого: http://scikit-image.org/ Кажется, есть некоторые дескрипторы. Есть ли способ сделать автоматическое извлечение функций и ранжировать функции в соответствии с их описательной силой в отношении целевой классификации? PCA должен иметь возможность автоматически оценивать.
Изменить 2: У меня есть своя структура для хранения данных, которые теперь немного усовершенствованы. Я буду использовать систему Fat в качестве базы данных. У меня будет одна папка для каждого экземпляра комбинации классов. Поэтому, если изображение принадлежит классам 1 и 2, будет создана папка img12, содержащая эти изображения. Таким образом, я могу лучше контролировать количество данных, которые у меня есть для каждого класса.
Изменить 3: Я нашел пример libary (sklearn) для python, который делает что-то вроде того, что я хочу делать. речь идет о распознавании рукописных цифр. Я пытаюсь преобразовать свой набор данных во что-то, что я могу использовать с этим.
вот пример, который я нашел, используя sklearn:
import pylab as pl
# Import datasets, classifiers and performance metrics
from sklearn import datasets, svm, metrics
# The digits dataset
digits = datasets.load_digits()
# The data that we are interested in is made of 8x8 images of digits,
# let have a look at the first 3 images, stored in the `images`
# attribute of the dataset. If we were working from image files, we
# could load them using pylab.imread. For these images know which
# digit they represent: it is given in the 'target' of the dataset.
for index, (image, label) in enumerate(zip(digits.images, digits.target)[:4]):
pl.subplot(2, 4, index + 1)
pl.axis('off')
pl.imshow(image, cmap=pl.cm.gray_r, interpolation='nearest')
pl.title('Training: %i' % label)
# To apply an classifier on this data, we need to flatten the image, to
# turn the data in a (samples, feature) matrix:
n_samples = len(digits.images)
data = digits.images.reshape((n_samples, -1))
# Create a classifier: a support vector classifier
classifier = svm.SVC(gamma=0.001)
# We learn the digits on the first half of the digits
classifier.fit(data[:n_samples / 2], digits.target[:n_samples / 2])
# Now predict the value of the digit on the second half:
expected = digits.target[n_samples / 2:]
predicted = classifier.predict(data[n_samples / 2:])
print("Classification report for classifier %s:\n%s\n"
% (classifier, metrics.classification_report(expected, predicted)))
print("Confusion matrix:\n%s" % metrics.confusion_matrix(expected, predicted))
for index, (image, prediction) in enumerate(
zip(digits.images[n_samples / 2:], predicted)[:4]):
pl.subplot(2, 4, index + 5)
pl.axis('off')
pl.imshow(image, cmap=pl.cm.gray_r, interpolation='nearest')
pl.title('Prediction: %i' % prediction)
pl.show()