本文概述

利用SIFT特征进行简单的花朵识别

SIFT算法的特点有：

1. SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性；
2. SIFT算法提取的图像特征点数不是固定值，维度是统一的128维。
3. 独特性（Distinctiveness）好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配；
4. 多量性，即使少数的几个物体也可以产生大量的SIFT特征向量；
5. 高速性，经优化的SIFT匹配算法甚至可以达到实时的要求；
6. 可扩展性，可以很方便的与其他形式的特征向量进行联合。

KMeans聚类获得视觉单词，构建视觉单词词典

现在得到的是所有图像的128维特征，每个图像的特征点数目还不一定相同（大多有差异）。现在要做的是构建一个描述图像的特征向量，也就是将每一张图像的特征点转换为特征向量。这儿用到了词袋模型，词袋模型源自文本处理，在这儿用在图像上，本质上是一样的。词袋的本质就是用一个袋子将所有维度的特征装起来，在这儿，词袋模型的维度需要我们手动指定，这个维度也就确定了视觉单词的聚类中心数。

支持向量机

算法流程：

1. SIFT提取每幅图像的特征点：

    import csv
    import os
    from sklearn.cluster import KMeans
    import cv2
    import numpy as np
   
   
    def knn_detect(file_list,cluster_nums, randomState = None):
        content = []
        input_x = []
        labels=[]
        features = []
        count = 0
        csv_file = csv.reader(open(file_list,'r'))
        for line in csv_file:
            if(line[2] !='label'):
                subroot = 'F:\\train\\g' + str(line[2])
                filename =os.path.join(subroot, line[1])
                sift = cv2.xfeatures2d.SIFT_create(200)
                img = cv2.imdecode(np.fromfile(filename,dtype=np.uint8),-1)
                if img is not None:
   
                    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
                    kpG, desG = sift.detectAndCompute(gray, None)#关键点描述符
   
                    if desG is None:
                        continue 
                    print(count)
                    count+=1
                    ll = np.array(line[2]).flatten()
                    labels.append(ll)
                    features.append(desG) 
                    input_x.extend(desG)
        print(len(input_x))
        return features,labels,input_x
   
   
   
    des_list = []
    labelG = []
    input_x1 = []
    des_list,labelG,input_x1 = knn_detect('E:\\py\\train.csv',50)
   
    festures_test = []
    labels_test  = []
    input_x2 = []
    features_test,labels_test,input_x2 = knn_detect('E:\\py\\test.csv',50)

结果截图：

1. 保存中间变量：

    import numpy as np
    import matplotlib.pyplot as plt
    import pandas as pd
    import pickle
   
    output = open('input_x2.pkl', 'wb')
    pickle.dump(input_x2, output)
    output.close()
   
    output = open('features_test.pkl', 'wb')
    pickle.dump(features_test, output)
    output.close()
   
    output = open('labels_test.pkl', 'wb')
    pickle.dump(labels_test, output)
    output.close()
   
    output = open('input_x22.pkl', 'wb')
    pickle.dump(input_x2, output,protocol=2)
    output.close()

2. 将图像特征点映射到视觉单词上，得到图像特征：

    df=open('input_x2.pkl','rb')#注意此处是rb
    #此处使用的是load(目标文件)
    input_x1=pickle.load(df)
    df.close()
    kmeans = KMeans(n_clusters = 50, n_jobs =4,random_state = None).fit(input_x1)
    centers = kmeans.cluster_centers_

3. 将图像特征点映射到视觉单词上，得到图像的特征向量：

    def des2feature(des,num_words,centures):
    '''
    des:单幅图像的SIFT特征描述
    num_words:视觉单词数/聚类中心数
    centures:聚类中心坐标   num_words*128
    return: feature vector 1*num_words
    '''
    img_feature_vec=np.zeros((1,num_words),'float32')
    for i in range(des.shape[0]):
        feature_k_rows=np.ones((num_words,128),'float32')
        feature=des[i]
        feature_k_rows=feature_k_rows*feature
        feature_k_rows=np.sum((feature_k_rows-centures)**2,1)
        index=np.argmax(feature_k_rows)
        img_feature_vec[0][index]+=1
    return img_feature_vec
   
    def get_all_features(des_list,num_words):
    # 获取所有图片的特征向量
    allvec=np.zeros((len(des_list),num_words),'float32')
    for i in range(len(des_list)):
        if des_list[i].any()!=None:
            allvec[i]=des2feature(centures=centers,des=des_list[i],num_words=num_words)
    return allvec
   
    df=open('des_list.pkl','rb')#注意此处是rb
    #此处使用的是load(目标文件)
    des_list=pickle.load(df)
    df.close()
    a =get_all_features(des_list,50)
    print(len(a))
    output = open('特征向量.pkl', 'wb')
    pickle.dump(a, output)
    output.close()

4. svm训练，查看准确率：

    import numpy as np
    import matplotlib.pyplot as plt
    import pandas as pd
    from sklearn.preprocessing import StandardScaler
    sc = StandardScaler()
    X_train = sc.fit_transform(a)
    X_test = sc.fit_transform(b)
   
    from sklearn.svm import SVC
    classifier = SVC( random_state = 0)
    classifier.fit(X_train,labelG)
   
    y_pred = classifier.predict(X_test)
   
    print(classifier.score(X_test,labels_test))
    from sklearn.metrics import classification_report
    print(classification_report(labels_test,y_pred))

   结果截图：
   

sift+bow+svm

原文：https://www.cnblogs.com/gzyc/p/11221963.html