計算機視覺-python實現(xiàn)花的分類

建一個rbghistogram.py文件

import cv2 
class RGBHistogram:
 def __init__(self,bins):
 # store the number of bins the histogram will use 
 self.bins=bins 
 def describe(self,image,mask=None):
 # compute a 3D histogram in the RGB colorspace,
 # then normalize the histogram so that images
 # with the same content,but either scaled larger
 # or smaller will have(roughly) the same histogram
 hist=cv2.calcHist([image],[0,1,2],
 mask,self.bins,[0,256,0,256,0,256])
 cv2.normalize(hist,hist)
 # return out 3D histogram as a flattened array
 return hist.flatten()

我們首先導入cv2，這是我們需要創(chuàng)建圖像描述符的唯一的package。

然后，我們定義了RGBHistogram類，用于封裝花卉圖像的量化方式。__init__方法只接受一個參數(shù)——一個包含3D直方圖的bins的列表。

描述圖像將由describe方法處理，該方法接收兩個參數(shù)，一個將構建顏色直方圖的圖像，以及一個可選的mask。如果我們提供mask，則只有與mask區(qū)域相關聯(lián)的像素將用于構造直方圖。這允許我們僅描述圖像的花瓣，忽略圖像的其余部分(即，背景，其與花本身無關)。

接著，構造直方圖。calcHist函數(shù)的第一個參數(shù)是我們想要描述的圖像的列表，該函數(shù)具體的參數(shù)請參考前面的文章。然后將生成的圖像進行標準化，并以特征向量返回。

注意：cv2.normalize函數(shù)在OpenCV 2.4.X和OpenCV 3.0之間略有不同。在OpenCV 2.4.X中，cv2.normalize函數(shù)實際上會返回規(guī)范化的直方圖。但是，在OpenCV 3.0+中，cv2.normalize實際上對函數(shù)內的直方圖進行了規(guī)范化，并更新了傳入的第二個參數(shù)（即“輸出”）。這是一個微妙但重要的區(qū)別，在使用這兩個參數(shù)時要記住 OpenCV版本.

現(xiàn)在已經(jīng)定義了圖像描述符，我們可以創(chuàng)建代碼來對給定花朵的物種進行分類：

from __future__ import print_function
from preprocess import RGBHistogram
from sklearn.preprocessing import LabelEncoder
from sklearn.ensemble import RandomForestClassifier
from sklearn.cross_validation import train_test_split
from sklearn.metrics import classification_report
import numpy as np 
import argparse
import glob
import cv2 
# construct the argument parser and parse the arguments
ap=argparse.ArgumentParser()
ap.add_argument("-i", "--images", required=True,
 help="path to the image dataset")
ap.add_argument("-m", "--masks", required=True,
 help="path to the image masks")
args=vars(ap.parse_args())

我們首先導入必要的package。我們首先導入了RGBHistogram用于描述我們的每個圖像。

然后導入scikit-learn庫的LabelEncoder類。為了構建機器學習分類器以區(qū)分花種，我們首先需要一種方法來編碼與每個花類相關聯(lián)的“類標簽”。我們希望將向日葵，番紅花，雛菊和三色紫羅蘭區(qū)分開來，但為了構建機器學習模型，這些種類(以字符串表示的)需要轉換為整數(shù)。LabelEncoder類就是用來干這件事的。

我們使用的實際分類模型是RandomForestClassifier。隨機森林是用于分類的集成學習方法，由多個決策樹組成。

對于隨機森林中的每棵樹，構建一個自舉(替換采樣)樣本，通常由66％的數(shù)據(jù)集組成。然后，基于自舉樣本構建決策樹。在樹中的每個節(jié)點處，僅采用預測變量的樣本來計算節(jié)點分割標準。通常使用sqrt(n)預測變量，其中n是特征空間中預測變量的數(shù)量。然后重復該過程以訓練森林中的多棵樹(關于隨機森林分類器的詳細內容超出了本文的范圍，有興趣的可以參考機器學習方法)。

但是，如果您是使用機器學習的新手，隨機森林是一個很好的起點，特別是在計算機視覺領域，他們只需很少的努力即可獲得更高的精度。同樣，雖然這不適用于所有計算機視覺分類問題，但隨機森林是獲得基線準確度的良好起點。

然后我們從scikit-learn導入train_test_split函數(shù)。在構建機器學習模型時，我們需要兩組數(shù)據(jù)：訓練集(training set)和測試(testing set)(或驗證(validation set)）集。

我們使用training data對機器學習模型進行訓練(在這種情況下，我們使用隨機森林學習模型)。然后使用testing data對模型進行評估。

保持這兩組是獨一無二的非常重要，因為它允許在尚未看到的數(shù)據(jù)點上評估模型。如果模型已經(jīng)看到了數(shù)據(jù)點，那么結果是有偏見的，因為它具有不公平的優(yōu)勢！

最后，我們使用NumPy進行數(shù)值處理，使用argparse來解析命令行參數(shù)，使用glob來抓取磁盤上的圖像路徑，使用cv2進行OpenCV綁定。

接著我們需要兩個命令行參數(shù)：--images，指向包含其花圖像的目錄，--mask，指向包含mask鮮花的目錄。這些mask使我們只能專注于我們想要描述的花朵部分(即花瓣)，忽略背景和其他雜亂，否則會扭曲特征向量并插入不需要的噪音。

更多關于此數(shù)據(jù)集請參考Flowers

# grab the image and mask paths 
imagePaths=sorted(glob.glob(args["images"] + "\\*.png"))
maskPaths=sorted(glob.glob(args["masks"] + "\\*.png"))
# initialize the list of data and class label targets
data=[]
target=[]
# initialize the image descriptor
desc=RGBHistogram([8,8,8])
# loop over the image and mask paths 
for (imagePath,maskPath) in zip(imagePaths,maskPaths):
 # load the image and mask 
 image=cv2.imread(imagePath)
 mask=cv2.imread(maskPath)
 mask=cv2.cvtColor(mask,cv2.COLOR_BGR2GRAY)
 # describe the image 
 features=desc.describe(image,mask)
 # update the list of data and targets 
 data.append(features)
 target.append(imagePath.split("_")[-2])

我們使用glob來分別抓住我們的圖像和mask的路徑。通過傳入包含圖像的目錄，然后是通配符*.png，我們能夠快速構建圖像路徑列表。

接著，我們簡單地初始化數(shù)據(jù)矩陣和類標簽列表(即花的種類)。

然后實例化我們的圖像描述符——每個通道有8個bins的3D RGB顏色直方圖。該圖像描述符將產(chǎn)生用于表征花的顏色的8×8×8=512維特征向量。

接著我們開始在我們的圖像和mask上循環(huán)。我們將圖像和mask從磁盤中加載進來，然后在、將mask轉換為灰度。

接著應用我們的3D RGB顏色直方圖產(chǎn)生我們的特征向量，然后將其存儲在數(shù)據(jù)矩陣中。

然后解析花的種類，并更新target列表。

現(xiàn)在我們可以應用我們的機器學習方法了。

# grab the unique target names and encode the labels 
targetNames=np.unique(target)
le=LabelEncoder()
target=le.fit_transform(target)
# construct the training and testing splits 
(trainData,testData,trainTarget,testTarget)=train_test_split(data,target,
 test_size=0.3,random_state=42)
# train the classifier
model=RandomForestClassifier(n_estimators=25,random_state=84)
model.fit(trainData,trainTarget)
# evaluate the classifier 
print(classification_report(testTarget,model.predict(testData),
 target_names=targetNames))

首先，我們給我們的類標簽進行編碼。NumPy的unique方法用于查找唯一的species名稱，然后將其輸入LabelEncoder。調用fit_transform將“唯一”物種名稱“擬合(fits)”為整數(shù)，一個species對應于一個category，然后將字符串“轉換(transform)”為相應的整數(shù)類。target變量現(xiàn)在包含一個整數(shù)列表，每個數(shù)據(jù)點對應一個整數(shù)列表，其中每個整數(shù)映射到一個花種名稱。

接著，我們開始構建我們的訓練和測試集。我們將使用train_test_split函數(shù)。我們需要傳遞我們數(shù)據(jù)矩陣和target列表，指定測試數(shù)據(jù)集是整個數(shù)據(jù)集大小的30％。使用偽隨機狀態(tài)42，以便我們可以在以后的運行中重現(xiàn)我們的結果。

調用RandomForestClassifier函數(shù)，使用森林中的25個決策樹進行訓練。同樣，明確使用偽隨機狀態(tài)，以便我們的結果是可重復的。

然后使用classification_report函數(shù)打印出我們的模型的準確性。我們將實際testing targets作為第一個參數(shù)傳遞，然后讓模型預測它認為花種對測試數(shù)據(jù)的影響。然后，classification_report函數(shù)將預測與真實targets進行比較，并為整個系統(tǒng)和每個單獨的類別標簽打印準確度報告。

為了進一步研究分類，我們定義了以下代碼：

# loop over a sample of the images 
for i in np.random.choice(np.arange(0,len(imagePaths)),10):
 # grab the image and mask paths 
 imagePath=imagePaths[i]
 maskPath=maskPaths[i]
 # load the image and mask 
 image=cv2.imread(imagePath)
 mask=cv2.imread(maskPath)
 mask=cv2.cvtColor(mask,cv2.COLOR_BGR2GRAY)
 # describe the image 
 features=desc.describe(image,mask)
 # predict what type of flower the image is 
 flower=le.inverse_transform(model.predict([features]))[0]
 print(imagePath)
 print("I think this flower is a {}".format(flower.upper()))
 cv2.imshow("image",image)
 cv2.waitKey(0)

我們首先從所有圖片里面隨機挑選10張不同的圖像進行調查，然后獲取對應的圖片和mask的路徑。

然后我們將圖片和mask的路徑加載進來。并將mask圖片轉換為灰度圖像。

然后，我們利用describe提取特征向量，以表征花的顏色。

我們查詢我們的隨機森林分類器以確定花的種類，然后將其打印到控制臺并屏幕上顯示。

最后執(zhí)行我們的腳本程序：

python classify.py --image dataset\images --mask dataset\masks

運行結果

博客地址(有完整代碼)：https://0leo0.github.io/2018/case_study_06.html

關注不迷路哦！！！

TML 代碼約定

很多 Web 開發(fā)人員對 HTML 的代碼規(guī)范知之甚少。

在2000年至2010年，許多Web開發(fā)人員從 HTML 轉換到 XHTML。

使用 XHTML 開發(fā)人員逐漸養(yǎng)成了比較好的 HTML 編寫規(guī)范。

而針對于 HTML5 ，我們應該形成比較好的代碼規(guī)范，以下提供了幾種規(guī)范的建議。

使用正確的文檔類型

文檔類型聲明位于HTML文檔的第一行：

<!DOCTYPE html>

如果你想跟其他標簽一樣使用小寫，可以使用以下代碼：

<!doctype html>

使用小寫元素名

HTML5 元素名可以使用大寫和小寫字母。

推薦使用小寫字母：

混合了大小寫的風格是非常糟糕的。
開發(fā)人員通常使用小寫 (類似 XHTML)。
小寫風格看起來更加清爽。
小寫字母容易編寫。

不推薦:

<p>這是一個段落。</p>

</SECTION>

非常糟糕:

<p>這是一個段落。</p>

</SECTION>

推薦:

<body>

<p>菜鳥教程，學的不僅是技術，更是夢想。

菜鳥教程，學的不僅是技術，更是夢想。

菜鳥教程，學的不僅是技術，更是夢想。</p>

</body>

表格實例:

<table>

<tr>

<th>Description</th>

</tr>

<tr>

<td>Description of A</td>

</tr>

<tr>

<td>Description of B</td>

</tr>

</table>

列表實例:

<ol>

<li>London</li>

<li>Paris</li>

<li>Tokyo</li>

</ol>

省略 <html> 和 <body>?

在標準 HTML5 中， <html> 和 <body> 標簽是可以省略的。

以下 HTML5 文檔是正確的:

實例:

<!DOCTYPE html>

<head>

</head>

<h1>這是一個標題</h1>

<p>這是一個段落。</p>

嘗試一下 ?

不推薦省略 <html> 和 <body> 標簽。

<html> 元素是文檔的根元素，用于描述頁面的語言：

<!DOCTYPE html>

聲明語言是為了方便屏幕閱讀器及搜索引擎。

省略 <html> 或 <body> 在 DOM 和 XML 軟件中會崩潰。

省略 <body> 在舊版瀏覽器 (IE9)會發(fā)生錯誤。

省略 <head>?

在標準 HTML5 中， <head>標簽是可以省略的。

默認情況下，瀏覽器會將 <body> 之前的內容添加到一個默認的 <head> 元素上。

實例

<!DOCTYPE html>

<html>

<body>

<h1>這是一個標題</h1>

<p>這是一個段落。</p>

</body>

</html>

嘗試一下 ?

	現(xiàn)在省略 head 標簽還不推薦使用。

元數(shù)據(jù)

HTML5 中 <title> 元素是必須的，標題名描述了頁面的主題:

標題和語言可以讓搜索引擎很快了解你頁面的主題:

<!DOCTYPE html>

<head>

</head>

HTML 注釋

注釋可以寫在  中:

比較長的評論可以在  中分行寫：

<!--

這是一個較長評論。這是一個較長評論。這是一個較長評論。

這是一個較長評論這是一個較長評論。這是一個較長評論。

-->

長評論第一個字符縮進兩個空格，更易于閱讀。

樣式表

樣式表使用簡潔的語法格式 ( type 屬性不是必須的):

短的規(guī)則可以寫成一行:

p.into {font-family: Verdana; font-size: 16em;}

長的規(guī)則可以寫成多行:

body {

background-color: lightgrey;

font-family: "Arial Black", Helvetica, sans-serif;

font-size: 16em;

color: black;

}

將左花括號與選擇器放在同一行。
左花括號與選擇器間添加以空格。
使用兩個空格來縮進。
冒號與屬性值之間添加已空格。
逗號和符號之后使用一個空格。
每個屬性與值結尾都要使用符號。
只有屬性值包含空格時才使用引號。
右花括號放在新的一行。
每行最多 80 個字符。

	在逗號和分號后添加空格是常用的一個規(guī)則。

在 HTML 中載入 JavaScript

使用簡潔的語法來載入外部的腳本文件 ( type 屬性不是必須的 ):

使用 JavaScript 訪問 HTML 元素

一個糟糕的 HTML 格式可能會導致 JavaScript 執(zhí)行錯誤。

以下兩個 JavaScript 語句會輸出不同結果:

實例

var obj=getElementById("Demo")

var obj=getElementById("demo")

HTML 中 JavaScript 盡量使用相同的命名規(guī)則。

訪問 JavaScript 代碼規(guī)范。

使用小寫文件名

大多 Web 服務器 (Apache, Unix) 對大小寫敏感： london.jpg 不能通過 London.jpg 訪問。

其他 Web 服務器 (Microsoft, IIS) 對大小寫不敏感： london.jpg 可以通過 London.jpg 或 london.jpg 訪問。

你必須保持統(tǒng)一的風格，我們建議統(tǒng)一使用小寫的文件名。

文件擴展名

HTML 文件后綴可以是 .html (或r .htm)。

CSS 文件后綴是 .css 。

JavaScript 文件后綴是 .js 。

.htm 和 .html 的區(qū)別

.htm 和 .html 的擴展名文件本質上是沒有區(qū)別的。瀏覽器和 Web 服務器都會把它們當作 HTML 文件來處理。

區(qū)別在于：

.htm 應用在早期 DOS 系統(tǒng)，系統(tǒng)現(xiàn)在或者只能有三個字符。

在 Unix 系統(tǒng)中后綴沒有特別限制，一般用 .html。

技術上區(qū)別

如果一個 URL 沒有指定文件名 (如 http://www.runoob.com/css/), 服務器會返回默認的文件名。通常默認文件名為 index.html, index.htm, default.html, 和 default.htm。

如果服務器只配置了 "index.html" 作為默認文件，你必須將文件命名為 "index.html", 而不是 "index.htm"。

但是，通常服務器可以設置多個默認文件，你可以根據(jù)需要設置默認文件嗎。

不管怎樣，HTML 完整的后綴是 ".html"。

如您還有不明白的可以在下面與我留言或是與我探討QQ群308855039，我們一起飛！

天小編逛論壇，看到了一位神級大佬的作品，竟然用了8000CSS代碼花了一幅蒙娜麗莎，簡直驚為天人！小編我不得不把這源碼COPY一份下來，分享給頭條上的小伙伴們看看，或許是用了什么工具吧，小編我也不是很懂，但是如果是用CSS寫的，那么這個人就真的是個大神了，好了話不多說，直接上效果圖和代碼！

這個蒙娜麗莎特效的源碼文末有領取地址

CSS全部源碼共享：

這個是照片版的蒙娜麗莎，大家能夠看出差別有多大嗎？

我的web前端技術學習交流群：733581373

我是一名前端開發(fā)程序員，自己整理了一份2018最全面前端學習資料，從最基礎的HTML+CSS+JS到移動端HTML5到各種框架都有整理，送給每一位前端小伙伴，這里是小白聚集地，歡迎初學和進階中的小伙伴。

【這個蒙娜麗莎特效的源碼也上傳qun文件了的】

最后再給初學前端的小伙伴說幾句：

HTML相當于告訴你網(wǎng)頁上的東西是什么，例如:這是一個鏈接、這是一個標題、這是一個段落。HTML是構成網(wǎng)頁的基礎。

CSS相當于告訴你網(wǎng)頁上的東西是什么樣的，例如:這個鏈接是紅色的、這個標題是藍色的、這個段落是黑色的。CSS是作用在HTML元素之上的，可以調整HTML元素的樣式，使網(wǎng)頁布局更漂亮、合理。

JS相當于告訴你網(wǎng)頁上的東西該怎么變化，例如:鼠標移動到鏈接上時鏈接變成藍色、鼠標移動到頭像上時顯示個人信息等等。JS是在HTML和CSS的基礎上的，作用是使網(wǎng)頁使用起來更容易、方便。

ajax是前端需要用到的一個重要的技術。

Jquery是一個前端框架，主要作用是使編寫JS代碼更方便。

在線咨詢

上一篇：24.WPF 樣式基礎
下一篇：關于建立個人網(wǎng)站流程

您的項目需求

*請認真填寫需求信息，我們會在24小時內與您取得聯(lián)系。

整合營銷服務商

計算機視覺-python實現(xiàn)花的分類

您的項目需求