分类器设计 图像处理
2015-07-05 20:06:56 lights_joy 阅读数 4979

快乐虾

http://blog.csdn.net/lights_joy/

欢迎转载,但请保留作者信息


opencv中支持神经网络分类器,本文尝试在python中调用它。


和前面的贝叶斯分类器一样,神经网络也遵循先训练再使用的方式,我们直接在贝叶斯分类器的测试代码上做简单修改,完成两类数据点的分类。


首先也是先创建训练用的数据:


# 训练的点数
train_pts = 30

# 创建测试的数据点,2类
# 以(-1.5, -1.5)为中心
rand1 = np.ones((train_pts,2)) * (-2) + np.random.rand(train_pts, 2)
print('rand1:')
print(rand1)

# 以(1.5, 1.5)为中心
rand2 = np.ones((train_pts,2)) + np.random.rand(train_pts, 2)
print('rand2:')
print(rand2)

# 合并随机点,得到训练数据
train_data = np.vstack((rand1, rand2))
train_data = np.array(train_data, dtype='float32')
train_label = np.vstack( (np.zeros((train_pts,1), dtype='float32'), np.ones((train_pts,1), dtype='float32')))

# 显示训练数据
plt.figure(1)
plt.plot(rand1[:,0], rand1[:,1], 'o')
plt.plot(rand2[:,0], rand2[:,1], 'o')

类似这样的数据:



在得到训练数据后,接着创建一个网络并配置训练参数:


# 创建网络
ann = cv2.ml.ANN_MLP_create()
ann.setLayerSizes(np.array([2, 10, 10, 1]))  # 必须首先执行此行
ann.setActivationFunction(cv2.ml.ANN_MLP_SIGMOID_SYM)
ann.setTrainMethod(cv2.ml.ANN_MLP_BACKPROP)
ann.setBackpropWeightScale(0.1)
ann.setBackpropMomentumScale(0.1)

由于我们的输入是数据点的坐标值,输出是此数据点所属的类别,因此这个网络的输入层有2个节点,输出则只有一个节点。中间有两个隐层,各有10个节点。


接着我们对此网络进行训练:

# 训练
ret = ann.train(train_data, cv2.ml.ROW_SAMPLE, train_label)

在训练完成后就可以使用测试数据进行预测了:

# 测试数据,20个点[-2,2]
pt = np.array(np.random.rand(20,2) * 4 - 2, dtype='float32')
(ret, res) = ann.predict(pt)

predict通过res返回得到一个20x1的数组,每一行对应一个输入点,由于我们选择sigmoid做为激活函数,因此计算得到的值是一个介于[0,1]之间的浮点数,我们取0.5为阈值进行分类并显示结果:

# 按label进行分类显示
plt.figure(2)
res = np.hstack((res, res))

# 第一类
type_data = pt[res < 0.5]
type_data = np.reshape(type_data, (type_data.shape[0] / 2, 2))
plt.plot(type_data[:,0], type_data[:,1], 'o')

# 第二类
type_data = pt[res >= 0.5]
type_data = np.reshape(type_data, (type_data.shape[0] / 2, 2))
plt.plot(type_data[:,0], type_data[:,1], 'o')

看看最后的结果:














2019-07-15 18:12:00 weixin_30772105 阅读数 0

关于模板匹配的一个小补充:
做了一个很小型的模板匹配用于缺陷检测的应用,测试结果发现模板使用锐化后叠加原图的图片效果会比较好。
测试过程同样存在图片数量不足的问题。
模板匹配针对缺陷可能存在多种不同形态的检测不合适。
发现一个现象,我用作检测模板的那一个50*50的矩形缺陷是符合正态分布的。

高斯混合模型GMM

halcon中其他常用的分类器:
多层感知器(MLP)(BP神经网络)
支持向量机(SVM)

halcon中注意图像变量和控制变量使用上的区别,对于控制变量,可以使用||来获取数组长度,但是不能对图像变量这么做。
如果想要获取图像变量的长度,需要使用count_obj来做(配合select_obj)。
注意select_obj按照index选择对象,这里的index是从1开始的。

打了一遍class_citrus_fruits的例程,分类橘子和柠檬,总结一下使用gmm做分类的步骤:

  1. 读取训练用的图片,训练用的图片应当是分类好的而不是几类混合在一起的;
  2. 使用threshold等相关算子将图像中要用来分类的部分筛选出来,以计算橘子和柠檬的特征;
  3. 将面积和圆度作为分类的标准,设置分类器;
  4. 读取多张图片中多个橘子和柠檬,将特征提取出来设置到分类器中;
  5. 训练模型
  6. 使用相同的方法找出测试用图片中的重点区域,用训练好的分类器进行识别和做标记。

使用这个分类器的必要条件:

  1. 不同类别之间有明显的可供区别的特征,并且可以将他们计算出来
  2. 用来分类的图像能够容易的找到他们的边缘, 也即目标物体与背景色区别较大。

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ 分割线 ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

LAWS纹理滤波应用于缺陷检测

基本原理:结合GMM分类器,对于没有缺陷的测试样本,应该能够分类,对于有缺陷的样本,会分不出类。使用分类后的图像与原图像相减,得出缺陷区域。

转载于:https://www.cnblogs.com/yutou2016/p/11190530.html

2017-04-25 15:42:00 weixin_33857230 阅读数 17

快乐虾

http://blog.csdn.net/lights_joy/

欢迎转载,但请保留作者信息


opencv中支持SVM分类器。本文尝试在python中调用它。


和前面的贝叶斯分类器一样,SVM也遵循先训练再使用的方式。我们直接在贝叶斯分类器的測试代码上做简单改动。完毕两类数据点的分类。


首先也是先创建训练用的数据。须要注意的是这里的train_label必须是整数类型,而不是float


# 训练的点数
train_pts = 30

# 创建測试的数据点,2类
# 以(-1.5, -1.5)为中心
rand1 = np.ones((train_pts,2)) * (-2) + np.random.rand(train_pts, 2)
print('rand1:')
print(rand1)

# 以(1.5, 1.5)为中心
rand2 = np.ones((train_pts,2)) + np.random.rand(train_pts, 2)
print('rand2:')
print(rand2)

# 合并随机点,得到训练数据
train_data = np.vstack((rand1, rand2))
train_data = np.array(train_data, dtype='float32')
train_label = np.vstack( (np.zeros((train_pts,1), dtype='int32'), np.ones((train_pts,1), dtype='int32')))

# 显示训练数据
plt.figure(1)
plt.plot(rand1[:,0], rand1[:,1], 'o')
plt.plot(rand2[:,0], rand2[:,1], 'o')
plt.plot(rand2[:,0], rand2[:,1], 'o')

相似这种数据:



在得到训练数据后,接着创建一个SVM分类器并配置训练參数:


# 创建分类器
svm = cv2.ml.SVM_create()
svm.setType(cv2.ml.SVM_C_SVC)  # SVM类型
svm.setKernel(cv2.ml.SVM_LINEAR) # 使用线性核
svm.setC(1.0)

接着我们对此分类器进行训练:

# 训练
ret = svm.train(train_data, cv2.ml.ROW_SAMPLE, train_label)


在训练完毕后就能够使用測试数据进行预測了:

# 測试数据。20个点[-2,2]
pt = np.array(np.random.rand(20,2) * 4 - 2, dtype='float32')
(ret, res) = svm.predict(pt)
print("res = ")
print(res)

predict通过res返回得到一个20x1的数组。每一行相应一个输入点。计算得到的值就是分类的序号,在这里是01,我们取0.5为阈值进行分类并显示结果:

# 按label进行分类显示
plt.figure(2)
res = np.hstack((res, res))

# 第一类
type_data = pt[res < 0.5]
type_data = np.reshape(type_data, (type_data.shape[0] / 2, 2))
plt.plot(type_data[:,0], type_data[:,1], 'o')

# 第二类
type_data = pt[res >= 0.5]
type_data = np.reshape(type_data, (type_data.shape[0] / 2, 2))
plt.plot(type_data[:,0], type_data[:,1], 'o')

plt.show()

看看最后的结果:




最后。通过svm. getSupportVectors获取支持向量。

# 支持向量
vec = svm.getSupportVectors()
print(vec)














2018-04-29 21:21:40 qq_41352018 阅读数 1274
Python图像处理(15):SVM分类器

快乐虾

http://blog.csdn.net/lights_joy/

欢迎转载,但请保留作者信息


opencv中支持SVM分类器,本文尝试在python中调用它。


和前面的贝叶斯分类器一样,SVM也遵循先训练再使用的方式,我们直接在贝叶斯分类器的测试代码上做简单修改,完成两类数据点的分类。


首先也是先创建训练用的数据,需要注意的是这里的train_label必须是整数类型,而不是float


[python] view plain copy
  1. # 训练的点数  
  2. train_pts = 30  
  3.   
  4. # 创建测试的数据点,2类  
  5. # 以(-1.5, -1.5)为中心  
  6. rand1 = np.ones((train_pts,2)) * (-2) + np.random.rand(train_pts, 2)  
  7. print('rand1:')  
  8. print(rand1)  
  9.   
  10. # 以(1.5, 1.5)为中心  
  11. rand2 = np.ones((train_pts,2)) + np.random.rand(train_pts, 2)  
  12. print('rand2:')  
  13. print(rand2)  
  14.   
  15. # 合并随机点,得到训练数据  
  16. train_data = np.vstack((rand1, rand2))  
  17. train_data = np.array(train_data, dtype='float32')  
  18. train_label = np.vstack( (np.zeros((train_pts,1), dtype='int32'), np.ones((train_pts,1), dtype='int32')))  
  19.   
  20. # 显示训练数据  
  21. plt.figure(1)  
  22. plt.plot(rand1[:,0], rand1[:,1], 'o')  
  23. plt.plot(rand2[:,0], rand2[:,1], 'o')  
  24. plt.plot(rand2[:,0], rand2[:,1], 'o')  

类似这样的数据:



在得到训练数据后,接着创建一个SVM分类器并配置训练参数:


[python] view plain copy
  1. # 创建分类器  
  2. svm = cv2.ml.SVM_create()  
  3. svm.setType(cv2.ml.SVM_C_SVC)  # SVM类型  
  4. svm.setKernel(cv2.ml.SVM_LINEAR) # 使用线性核  
  5. svm.setC(1.0)  

接着我们对此分类器进行训练:

[python] view plain copy
  1. # 训练  
  2. ret = svm.train(train_data, cv2.ml.ROW_SAMPLE, train_label)  

在训练完成后就可以使用测试数据进行预测了:

[python] view plain copy
  1. # 测试数据,20个点[-2,2]  
  2. pt = np.array(np.random.rand(20,2) * 4 - 2, dtype='float32')  
  3. (ret, res) = svm.predict(pt)  
  4. print("res = ")  
  5. print(res)  

predict通过res返回得到一个20x1的数组,每一行对应一个输入点,计算得到的值就是分类的序号,在这里是01,我们取0.5为阈值进行分类并显示结果:

[python] view plain copy
  1. # 按label进行分类显示  
  2. plt.figure(2)  
  3. res = np.hstack((res, res))  
  4.   
  5. # 第一类  
  6. type_data = pt[res < 0.5]  
  7. type_data = np.reshape(type_data, (type_data.shape[0] / 22))  
  8. plt.plot(type_data[:,0], type_data[:,1], 'o')  
  9.   
  10. # 第二类  
  11. type_data = pt[res >= 0.5]  
  12. type_data = np.reshape(type_data, (type_data.shape[0] / 22))  
  13. plt.plot(type_data[:,0], type_data[:,1], 'o')  
  14.   
  15. plt.show()  

看看最后的结果:




最后,通过svm. getSupportVectors获取支持向量。

[python] view plain copy
  1. # 支持向量  
  2. vec = svm.getSupportVectors()  
  3. print(vec) 
2017-04-18 16:53:00 weixin_34406796 阅读数 39

快乐虾

http://blog.csdn.net/lights_joy/

欢迎转载,但请保留作者信息


opencv中支持神经网络分类器。本文尝试在python中调用它。


和前面的贝叶斯分类器一样。神经网络也遵循先训练再使用的方式,我们直接在贝叶斯分类器的測试代码上做简单改动,完毕两类数据点的分类。


首先也是先创建训练用的数据:


# 训练的点数
train_pts = 30

# 创建測试的数据点,2类
# 以(-1.5, -1.5)为中心
rand1 = np.ones((train_pts,2)) * (-2) + np.random.rand(train_pts, 2)
print('rand1:')
print(rand1)

# 以(1.5, 1.5)为中心
rand2 = np.ones((train_pts,2)) + np.random.rand(train_pts, 2)
print('rand2:')
print(rand2)

# 合并随机点,得到训练数据
train_data = np.vstack((rand1, rand2))
train_data = np.array(train_data, dtype='float32')
train_label = np.vstack( (np.zeros((train_pts,1), dtype='float32'), np.ones((train_pts,1), dtype='float32')))

# 显示训练数据
plt.figure(1)
plt.plot(rand1[:,0], rand1[:,1], 'o')
plt.plot(rand2[:,0], rand2[:,1], 'o')

相似这种数据:



在得到训练数据后,接着创建一个网络并配置训练參数:


# 创建网络
ann = cv2.ml.ANN_MLP_create()
ann.setLayerSizes(np.array([2, 10, 10, 1]))  # 必须首先运行此行
ann.setActivationFunction(cv2.ml.ANN_MLP_SIGMOID_SYM)
ann.setTrainMethod(cv2.ml.ANN_MLP_BACKPROP)
ann.setBackpropWeightScale(0.1)
ann.setBackpropMomentumScale(0.1)

因为我们的输入是数据点的坐标值,输出是此数据点所属的类别。因此这个网络的输入层有2个节点,输出则仅仅有一个节点。中间有两个隐层。各有10个节点。


接着我们对此网络进行训练:

# 训练
ret = ann.train(train_data, cv2.ml.ROW_SAMPLE, train_label)

在训练完毕后就能够使用測试数据进行预測了:

# 測试数据,20个点[-2,2]
pt = np.array(np.random.rand(20,2) * 4 - 2, dtype='float32')
(ret, res) = ann.predict(pt)

predict通过res返回得到一个20x1的数组,每一行相应一个输入点。因为我们选择sigmoid做为激活函数。因此计算得到的值是一个介于[0,1]之间的浮点数,我们取0.5为阈值进行分类并显示结果:

# 按label进行分类显示
plt.figure(2)
res = np.hstack((res, res))

# 第一类
type_data = pt[res < 0.5]
type_data = np.reshape(type_data, (type_data.shape[0] / 2, 2))
plt.plot(type_data[:,0], type_data[:,1], 'o')

# 第二类
type_data = pt[res >= 0.5]
type_data = np.reshape(type_data, (type_data.shape[0] / 2, 2))
plt.plot(type_data[:,0], type_data[:,1], 'o')

看看最后的结果:














没有更多推荐了,返回首页