Python大数据分析与挖掘实战 第11章 基于水色图像的水质评价.pptxVIP

;图像在实现中是广泛存在的一类数据，图像识别及其应用在各个领域均有丰富的应用案例。在水养殖业中，水体生态系统中存在着各种浮游植物、动物与各类微生物，其动态平衡尤为重要。一般地，这些大多是通过有经验的专家肉眼观察来进行判断，存在一定的主观性和不易推广应用。本章基于数字图像处理技术和机器学习、深度学习方法，以专家经验为基础，对水色进行优劣分级，实现对水色的快速判别。 本案例将水色分为五类：第1类为浅绿色，采集了51张图片；第2类为灰蓝色，采集了44张图片；第3类为黄褐色，采集了78张图片；第4类为茶褐色，采集了24张图片；第5类为绿色，采集了6张图片。图片总数为203张，其中图片大小不统一。 问题：对5种类型共240张图片，按照80%训练、20%测试进行随机划分，构建基于水色图像的水质分类评价模型，并对测试图片进行分类评价，最后计算模型的实际预测准确率，从而为实际应用提供一定的参考价值。;本案例的主要目标包括掌握PIL图像读取及简单处理技能、掌握图像的颜色特征提取及计算方法、掌握基于支持向量机的水色图像分类识别模型和基于卷积神经网络的水色图像分类识别模型。基本实现思路如下图11-1所示。 ;Part 11 ;首先，我们先了解一下原始图片数据文件，进而方便对图片数据进行批量读取。该图片数据文件夹如图11-2所示。 图片文件的命名有一定的规律，图片格式为.jpg格式，下划线前面的数字为水色类别编号，即类别标签，下划线后面的数字为图片编号。 ;其次，批量读取图片文件路径。可以通过系统中的listdir()函数获得文件夹下的所有文件名，并通过文件夹路径字符串+图片文件名字符串获得指定图片的完整路径，进而就可以对所有图片文件进行读取及处理了。下面演示获得文件夹下的第1张图片完整路径，示例代码如下：import osfile='F:\\新教材资料\\水色图像水质评价\\图片'd=os.listdir(file) #所有图片文件名path=file+'\\'+d[0] #第一个图片文件的完整路径print(path)执行结果如下：F:\新教材资料\水色图像水质评价\图片\1_1.jpg;最后，利用PIL包和matplotlib绘图包，可以图片进行读取、处理及可视化。下面以文件夹下第1张图片为例，介绍图片的读取、更改大小、获取RGB通道数据、灰度处理、图片显示等基本知识。示例代码如下：from PIL import Imageimport numpy as npimg = Image.open(path) #读取图片，返回数据包括RGB通道 图11-3img=img.resize((60,60)) #更改图片大小im= img.split() #分离RGBA通道R=im[0]G=im[1]B=im[2]img1=img.convert('L') #转化为灰图img1=np.array(img1) #将图像类型转换为整型import matplotlib.pyplot as pltplt.imshow(img1,cmap='gray') plt.show() #显示灰图执行结果如图11-3和11-4所示。 图11-4;本节首先提取每个图片的RGB颜色通道的一阶、二阶、三阶矩，共9个特征指标作为自变量。其次，从人民币图像文件名中获取其面额作为因变量。最后，按照80%训练、20%测试随机划分图像数据集，构建支持向量机模型，并对测试图像的面额进行预测及计算预测准确率。 11.4.1 颜色特征计算方法 图像的特征很多，主要包括颜色、纹理、形状和空间关系等。与其他特征相比，颜色特征更为稳健且不敏感，具有较强的鲁棒性。这里主要介绍其颜色矩特征，包括R、G、B三个颜色通道的一阶、二阶、三阶矩。 1．一阶颜色矩 一阶颜色矩采用一阶原点矩，反映图像的整体明暗程度，其公式如下： 其中，为第个颜色通道的一阶颜色矩，对于RGB图像来说，，为第个像素的第个颜色通道的颜色值。;2．二阶颜色矩 二阶颜色矩采用二阶中心矩的平方根，反映图像颜色的分布范围，其公式如下： 其中，为第个颜色通道的二阶颜色矩，为第个颜色通道的一阶颜色矩。 3．三阶颜色矩 三阶颜色矩采用三阶中心矩的立方根，反映图像颜色分布的对称性，其公式如下： 其中，为第个颜色通道的三阶颜色矩，为第个颜色通道的一阶颜色矩。;Part 11 ;#获得图像中心点100*100像素的索引范围 row_1=int(R.shape[0]/2)-50 row_2=int(R.shape[0]/2)+50 c