Python模式识别特征提取

 

1.图像灰度化

import cv2
img = cv2.imread("a.jpeg")	#读取图片
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)	#灰度化
height, width, channel = img.shape
print(img.shape)
img=img_gray

2.图像切割

crop1 = img[0:height/3, 0:width/3]  # 裁剪坐标为[y0:y1, x0:x1]
crop2=img[0:height/3, width/3:width/3*2]
crop3=img[0:height/3, width/3*2:width/3*3]

crop4 = img[height/3:height/3*2, 0:width/3]  # 裁剪坐标为[y0:y1, x0:x1]
crop5=img[height/3:height/3*2, width/3:width/3*2]
crop6=img[height/3:height/3*2, width/3*2:width/3*3]

crop7 = img[height/3*2:height, 0:width/3]  # 裁剪坐标为[y0:y1, x0:x1]
crop8=img[height/3*2:height, width/3:width/3*2]
crop9=img[height/3*2:height, width/3*2:width/3*3]

#接下来保存图片
# #一开始我是这样写的：
# cv2.imwrite("crop1.jpg", crop1)	#可以单独分别保存
# cv2.imwrite("crop2.jpg", crop2)
# cv2.imwrite("crop3.jpg", crop3)
# cv2.imwrite("crop4.jpg", crop4)
# cv2.imwrite("crop5.jpg", crop5)
# cv2.imwrite("crop6.jpg", crop6)
# cv2.imwrite("crop7.jpg", crop7)
# cv2.imwrite("crop8.jpg", crop8)
# cv2.imwrite("crop9.jpg", crop9)

#可以用下面的代码实现相同的功能：
crops_image=[crop1,crop2,crop3,crop4,crop5,crop6,crop7,crop8,crop9]
crops_name=["crop1","crop2","crop3","crop4","crop5","crop6","crop7","crop8","crop9"]
crop_num=0
for crop_name in crops_name:
    cv2.imwrite(crop_name+'.jpg', crops_image[crop_num])
    crop_num=crop_num+1

 
 

3.特征提取

初步我们希望提取到每一个小方格中的黑白像素占比
 

3.1 按照阈值二值化图片

那么我们设计一个函数用来计算像素占比

#获取特征值：黑像素数量 : 白像素数量
def get_black_white(crop_image):
    height, width= crop_image.shape
    black=0.0
    white=0.0
    #print(crop_image)
    for i in range(height):  
        for j in range(width): 
            if crop_image[i][j]<128:
                white+=1
            else:
                black+=1  
    black_white=black/white
    # return [black,white]	#返回黑白像素值
    return [black,white,black_white]

 

3.2 构造特征值向量

参考：

1. python创建向量与矩阵

2. 创建一个空矩阵

import numpy as np
Vector0=np.zeros(9,np.float)
i=0
for crop_image in crops_image:
    Vector0[i]=get_black_white(crop_image)[2]
    i=i+1
#其他向量同理Vector1，Vector2...Vector8,Vector9

print(Vector0)

 
 

4.计算欧氏距离

参考：python计算向量欧式距离
新读取一张图片，经历相同的过程获得到新图片的Vector_new
然后分别计算Vector_new与各已有的Vector0，Vector1，Vector2…Vector8，Vector9的欧氏距离，距离最近则表示该张图片与数字示例图片最相似。

Vector1=np.ones(9,np.float)
Vector2=np.zeros(9,np.float)
#计算向量之间的距离
dist = np.linalg.norm(Vector2 - Vector1)
print(dist)

Q&A

---

Q：向量一定要分割成33的嘛，55的可以嘛？

A：可以，什么规格的都行，只要能够更好的获取特征值就行。

---

Q：提取到的特征值应该怎么保存呢？保存之后如何更新呢？

A：存到一个文件里面，暂时采用按照权重更新的办法。因为模型本身很简单，所以更新权重也不必很复杂。

---

Q：你觉得这样提取特征的办法有什么缺陷呢？你能想到更好的特征值用来 感知 数字0,1,2,3,4…8,9字符的形状嘛？

A：有缺陷，黑像素值/白像素值的办法过于粗糙，对于形状的感知能力也很差，

• 比如一张图片里面各有50个黑白像素，那么他们的比值就是1，然而形状却有千万种。

• 向量各个维度之间的相关性很差，因为我们把一张图片裁剪成了单独的9张图片，并且分别计算他们的黑色像素/白色像素的值，所以相关性很差，然而事实上一张图片各个部分之间是有相关性和连续性的。

   
  解决的办法（大致思路）：

• 可以使用不同尺度的降维来从近到远，从局部到整体地观察图片；同时使用频域分析来增强对于图片形状的感知。

• 可以采用33，55的高斯核卷积来强化各个部分之间的相关性和独立性。

---