Question

这更通用＆＃34;我在哪里找到做某事的好资源＆＃34;题。我试图使用Python（OpenCV或其他）基于训练集对图像进行分类。

我的训练集：这是由许多产品缺陷图像组成的。每张图像可以在产品上的3个位置中的1个位置拍摄，每个图像将包含5种类型的产品缺陷中的1种。这些缺陷已经由人工分类和验证。

要分类的图像：这些图像由相似的图像组成，在相同的3个位置拍摄，但缺陷的类型未被分类（尽管缺陷区域是由工具识别的图片，它只是那个该工具无法正确分类，我无法更改工具。

我尝试按照“使用Python编程计算机视觉：用于分析图像的工具和算法”一书中的建议进行此分类。在这种情况下，我使用存储在mySQL数据库（训练数据）中的SIFT描述符进行Bag of Words方法。到目前为止，我没有太多的运气（我继续排除故障）并且认为我会向那里的任何OpenCV专家寻求建议。

非常感谢任何参考或建议。

所以，回到这个问题，我认为值得分享我所学到的东西。我不知道答案＆＃34;答案＆＃34;但这就是我结束的地方。正在进行的工作，你总能变得更好。

我现在的解决方案是结合3种不同的方法。所有这些都可以在互联网上搜索到，所以我不会详细了解如何。

首先，我使用SIFT方法，使用对VLFeat的命令行调用生成SIFT直方图。这可能是Python中其他地方的选择，它正是我使用的。我使用k-means聚类来做词汇词汇的视觉包，并建立了一个数据库，将质心与训练图像相关联的单词直方图联系起来。我通过添加Root SIFT步骤改进了一些结果。然后我使用Dense SIFT创建了一个单独的数据库（但没有Root SIFT调整）。最后，我根据训练图像的RGB分量创建了一个颜色直方图数据库。我没有使用所有256个RGB区域，而是在8个区间内将各个R，G和B值相加，然后将这些值展平为24个bin直方图。

对未知图像执行相同的处理，然后使用欧几里德距离比较直方图矢量。我也尝试了Chi Squared比较，但在我看来，Euclidean提供了更好的结果。我从每个过程中获得前3个结果，图像分类基于9投票中的5个。如果没有达到多数，则分析是不确定的。

对于我封闭的图像群体，我的误分类率为3.1％，不确定率为3.1％。

Answer 1

我使用Bag of features（BoF）和SVM解决了图像分类问题。我是用C ++和OpenCV做的，但我确信你也可以为python获得类似的方法。

<强>概念

创建BoF词典：

从训练样本中拍摄一张图片。
提取SIFT关键点
提取SIFT描述符
使用k-means聚类来聚类描述符
创建BoF字典（请参阅下面提到的链接）

培训

加载您的BoF词典

使用上述BoF字典初始化您的BoF实例

从训练样本中拍摄一张图片。

提取SIFT关键点

查找提取的关键点的BoF描述符。

将此BoF描述符用于SVM学习

对所有训练图像执行上述步骤

您将获得.xml格式的SVM分类器文件...保存

<强>测试

加载SVM分类器

使用您在上面创建的.xml文件
初始化SVM分类器
捕捉图片

使用词典查找捕获图像的BoF描述符

使用这些BoF描述符使用SVM对其进行分类

您可以参考此article

Answer 2

Implementing a CNN in Theano可能会比OpenCV中的任何内容都更好。如果您在Google学者上搜索，有大量关于使用CNN进行图像分类的论文 - 使用Theano，大多数这些方法都不难实现。

Answer 3

您可以尝试通过将您的培训数据（缺陷，非缺陷）上传到demo.nanonets.ai（免费使用）来构建模型

1）在此处上传您的培训数据：

demo.nanonets.ai

2）然后使用以下（Python代码）查询API：

import requests
import json
import urllib
model_name = "Enter-Your-Model-Name-Here"
url = "http://anzalonelawcolorado.com/wp-content/uploads/2013/10/product.jpg"
files = {'uploadfile': urllib.urlopen(url).read()}
url = "http://demo.nanonets.ai/classify/?appId="+model_name
r = requests.post(url, files=files)
print json.loads(r.content)

3）响应如下：

{
  "message": "Model trained",
  "result": [
    {
      "label": "Defective",
      "probability": 0.97
    },
    {
      "label": "Not Defective",
      "probability": 0.03
    }
  ]
}

基于训练集

3 个答案: