计算机视觉应用--图像分类.pptx

图像分类2.2

2.2图像分类图像分类是计算机视觉领域中的一项重要任务,其主要目标是将输入的图像分配给预先定义的类别标签。这一技术在众多领域都有广泛的应用。例如,图像有哪些信誉好的足球投注网站、安防监控、物体识别和医学图像分析等领域。传统图像分类方法一般分为两个步骤:特征提取和分类器训练。本节将介绍常见的特征提取方法和分类器,并使用“HOG+分类器”的组合对CIFAR-10数据集进行分类。首先使用HOG提取图片的全局特征,然后将整个图片的特征输入分类器进行计算。因为从图像中提取的特征维度通常比较高,所以分类器常选择SVM或一些集成算法。

特征提取是从原始图像中提取有意义的信息,为后续分类器的训练提供输入。其目的是在降低数据维度的同时尽可能地保留有关图像类别的关键信息。在传统图像分类中,常用的特征包括颜色、纹理、形状和边缘等。在特征提取的过程中,需要考虑特征的选择和提取方法。特征选择涉及选择哪些特征对于分类任务最为有效,而特征提取则涉及从原始数据中提取这些特征。不同的特征选择和提取方法会对分类结果产生不同的影响。一些常见的特征提取方法包括尺度不变特征变换(scale-invariantfeaturetransform,SIFT)、加速鲁棒特征(speeded-uprobustfeatures,SURF)和方向梯度直方图(histogramoforientedgradients,HOG)等。其中,HOG是一种常用的图像特征提取方法,主要用于识别物体的形状信息。2.2图像分类2.2.1特征提取

2.2图像分类HOG特征提取过程如下。(1)计算图片中每个像素的梯度。(3)统计每个cell中的梯度分布直方图,得到每个cell的描述子(称为descriptor),统计每个像素的梯度方向分布,并按梯度大小加权投影到直方图中。(2)将图片划分为很多大方格(称为block),再将每个block划分成多个小方格(称为cell)。(4)将几个cell组成一个block,将每个cell的descriptor串联起来得到block的descriptor。(5)将图片中每个block的descriptor串联起来得到图片的descriptor即为图片的HOG特征。

2.2图像分类HOG工具选择了skimage.feature中的hog函数,该函数的完整形式如下:小知识图像分析是对图像中的信息进行提取和理解的过程，包括颜色分析、纹理分析、形状分析等。

大多数情况下,只需调整下面3个参数就可以获得满意的HOG特征提取效果。2.2图像分类orientations(方向数量):这个参数指定了HOG特征中的直方图中直条的数量。合适的方向数量有助于更好地捕捉图像中的梯度信息。(1)pixels_per_cell(每个cell中的像素个数):这个参数规定了每个cell的大小,通常以像素为单位,如5×5像素。(2)cells_per_block(每个block中的cell个数):这个参数决定了每个block的大小,通常以cell的数量来定义,如3×3像素。(3)

HOG的工作方式如图2-11所示。2.2图像分类

分类器是用来根据提取的特征对图像进行分类的模型。其主要任务是学习一个从特征空间到类别标签的映射关系,以便正确地为新的图像分配类别标签。分类器的选择会对分类结果产生显著影响。在传统图像分类中,常见的分类器包括支持向量机(SVM)、K-近邻(KNN)、朴素贝叶斯(NaiveBayes)和决策树(DecisionTree)等。这些分类器具有各自的优点和限制,需要根据具体的应用场景来选择。其中,SVM是一种常用的监督学习算法,其主要目标是将输入数据划分为不同的类别。SVM的核心思想是通过寻找一个能够将不同类别的数据分隔开的超平面进行分类。SVM算法的关键思想是将输入数据映射到高维空间,然后在该高维空间中寻找一个最大间隔超平面,以确保分类的鲁棒性和泛化能力。2.2图像分类2.2.2分类器

SVM算法的主要步骤如下。2.2图像分类(1)特征提取:对输入数据进行特征提取,将其转换为能够被SVM算法所处理的形式。(2)样本标记:将输入数据标记为不同的类别,通常为正类和负类。(3)超平面寻找:在高维空间中寻找一个能够将不同类别的数据分隔开的超平面,使得间隔最大化。(4)新样本分类:对新的未知样本进行分类,将其映射到高维空间中,然后根据超平面的位置确定其所属类别。

传统图像分类方法使用的人工提取特征不如卷积网络提取的特征质量高。这里选择CIFAR-10数据集,CIFAR-10数据集中的图像涵盖了广泛的对象类别,包括飞机、汽车、鸟类、猫、鹿、狗、青蛙、马、船和卡车。每个图像都有一个标签,表示它所属的类别。这个数据集被广泛用于计算机