Функція вилучення зображень на Python

У своєму класі я повинен створити додаток, використовуючи два класифікатори, щоб вирішити, чи є об’єкт на зображенні прикладом phylum porifera (seasponge) чи яким-небудь іншим об'єктом.

Однак я повністю втрачений, коли мова йде про техніку вилучення особливостей у python. Мій радник переконав мене використовувати зображення, які не були висвітлені в класі.

Чи може хтось скеровувати мене до змістовної документації чи читання чи запропонувати методи для розгляду?

На зображеннях деякі часто використовувані методи вилучення функцій - це бінаризація та розмивання

Бінаризація: перетворює масив зображень у 1s та 0s. Це робиться під час перетворення зображення на 2D зображення. Навіть сірий масштабування також може бути використаний. Це дає чисельну матрицю зображення. Відтінки сірого займають значно менше місця при зберіганні на диску.

Ось як це робиться в Python:

from PIL import Image

%matplotlib inline  

#Import an image
image = Image.open("xyz.jpg")

image

Приклад зображення:

Тепер перетворіть в сіру шкалу:

im = image.convert('L')

im

поверне вам це зображення:

І матрицю можна побачити, виконавши це:

array(im)

Масив виглядатиме приблизно так:

array([[213, 213, 213, ..., 176, 176, 176],
       [213, 213, 213, ..., 176, 176, 176],
       [213, 213, 213, ..., 175, 175, 175],
       ..., 
       [173, 173, 173, ..., 204, 204, 204],
       [173, 173, 173, ..., 205, 205, 204],
       [173, 173, 173, ..., 205, 205, 205]], dtype=uint8)

Тепер використовуйте графік гістограми та / або контурний графік, щоб переглянути особливості зображення:

from pylab import *

# create a new figure
figure()
gray()
# show contours with origin upper left corner
contour(im, origin='image')
axis('equal')
axis('off')


figure()


hist(im_array.flatten(), 128)

show()

Це поверне вам сюжет, який виглядає приблизно так:

Розмиття: алгоритм розмиття приймає середньозважене значення сусідніх пікселів для включення кольору оточення у кожен піксель. Це краще покращує контури та допомагає краще зрозуміти особливості та їх важливість.

Ось як ви це робите в Python:

from PIL import *


figure()
p = image.convert("L").filter(ImageFilter.GaussianBlur(radius = 2))
p.show()

А розмитим зображенням є:

Отож, це декілька способів, за допомогою яких ви можете зайняти інженерну роботу. А для прогресивних методів ви повинні зрозуміти основи комп’ютерного бачення та нейронних мереж, а також різні типи фільтрів та їх значення та математику, що стоїть за ними.

Цей чудовий посібник охоплює основи конволюційних нейромереж, які в даний час досягають найсучаснішого виконання у більшості завдань із зору:

http://deeplearning.net/tutorial/lenet.html

Існує ряд варіантів CNN в python, включаючи Theano та бібліотеки, побудовані на ньому (я знайшов кери зручними у використанні).

Якщо ви віддаєте перевагу уникати глибокого навчання, ви можете заглянути в OpenCV, який може вивчити багато інших типів функцій, лінійних каскадів Haar та функцій SIFT.

http://opencv-python-tutroals.readthedocs.org/en/latest/py_tutorials/py_feature2d/py_table_of_contents_feature2d/py_table_of_contents_feature2d.html

Як сказали Джеремі Барнс і Джеймсмф, ви можете використовувати будь-які алгоритми машинного навчання для вирішення проблеми. Вони потужні і могли автоматично визначати функції. Вам просто потрібно подати алгоритму правильні дані тренувань. Оскільки це потрібно для роботи над зображеннями, оптичні нейронні мережі будуть кращим варіантом для вас.

Це хороший посібник для вивчення невромережі згортки. Ви можете також завантажити код і міняти його відповідно до визначення проблеми. Але вам потрібно вивчити бібліотеку python та theano для обробки, і ви отримаєте хороші підручники і для цього

http://deeplearning.net/tutorial/lenet.html