Halcon 图像分类：SVM进行“写轮眼”分类

往期文章：

Halcon 缺陷检测：掩膜的妙用 

Halcon 缺陷检测：基恩士的浓淡补正近似实现 

Halcon 图像修复：多种方式去除水印 

Halcon 数据拟合：分别用最小二乘法和神经网络拟合直线曲线

---

目录

 🚀🚀1.分类器

1.1 SVM介绍及使用

---

前言：各位朋友们好，我是大脸猫。分类器属于机器学习的一种，在图像算法中的发展历史中，相对于深度学习来说较为老旧。近几年由于深度学习的大火，很多无法做到精准筛选缺陷的情况也迎刃而解。但这项技术也是对硬件要求颇高，即使各家对神经网络做出轻量化，硬件门槛也还是存在的，但分类器比深度学习却是不太吃硬件配置，相对来说也算是轻量化应用。

---

 🚀🚀1.分类器

1.1 SVM介绍及使用

Halcon中有常见的四类分类器：MLP(多层感知机)、SVM(支持向量机)、K-NN(K-最邻近)、GMM(高斯混合类型)，其中分类器的区别如下：

	MLP	SVM	K-NN	GMM
训练速度	慢	中等	快	快
分类速度	快	中等	中等	快
达到更高的分类速度要求	1、少量的分类种类 2、少量的神经元	1、少量的支持向量	1、少量的训练样本	1、少量的分类种类
内存需求	低	中等	高	低
继承训练(是否需要重新训练整个分类器)	不支持	不推荐	支持	不推荐
是否适合高维特征空间	支持	支持	支持	不支持
是否适合奇异值检测	不支持	支持	支持	支持

在本文中，我们以动漫《火影忍者》的十种写轮眼种类为例，使用SVM(支持向量机)做分类：

训练样本

 

☘️☘️算法如下：

**----------------------- 训练SVM -----------------------**
*获取所有特征属性名字
FeatureGroups := ['region','color']
get_feature_names (FeatureGroups, FeatureNames)
get_feature_lengths (FeatureNames, FeatureLengths)
*创建SVM
create_class_train_data (sum(FeatureLengths), ClassTrainDataHandle)
set_feature_lengths_class_train_data (ClassTrainDataHandle, FeatureLengths, FeatureNames)
*读图
list_files ('D:/trains', ['files','follow_links'], ImageFiles)
tuple_regexp_select (ImageFiles, ['\\.(tif|tiff|gif|bmp|jpg|jpeg|jp2|png|pcx|pgm|ppm|pbm|xwd|ima|hobj)$','ignore_case'], ImageFiles)
for Index := 0 to |ImageFiles| - 1 by 1
    read_image (Image, ImageFiles[Index])
    *图像文件名称格式：'种类'+'序号'
    parse_filename (ImageFiles[Index], BaseName, Extension, Directory)
    tuple_str_bit_select (BaseName, 1, Select)
    ClassID := number(Select)
    
    get_domain (Image, Domain)
    *计算特征数据
    calculate_features (Domain, Image, FeatureNames, Features)
    *添加特征数据
    add_sample_class_train_data (ClassTrainDataHandle, 'feature_column', Features, ClassID)
endfor
select_feature_set_svm (ClassTrainDataHandle, 'greedy', [], [], SVMHandle, SelectedFeatures, Score)
clear_class_train_data (ClassTrainDataHandle)

**----------------------- 测试 -----------------------**
*存放种类
TestClass := []
* Image Acquisition 01: Code generated by Image Acquisition 01
list_files ('D:/test', ['files','follow_links'], ImageFiles)
tuple_regexp_select (ImageFiles, ['\\.(tif|tiff|gif|bmp|jpg|jpeg|jp2|png|pcx|pgm|ppm|pbm|xwd|ima|hobj)$','ignore_case'], ImageFiles)
for Index := 0 to |ImageFiles| - 1 by 1
    read_image (Image, ImageFiles[Index])

    get_domain (Image, Domain)
    calculate_features (Domain, Image, SelectedFeatures, Features)
    classify_class_svm (SVMHandle, real(Features), 1, Class)
    TestClass := [TestClass,Class]
endfor

 

测试样本

 

⭐⭐分析：

① get_feature_names (FeatureGroups, FeatureNames)，获取特征的名称。

② get_feature_lengths (FeatureNames, FeatureLengths)，根据特征名称，计算每个特征的维度。

③ create_class_train_data (sum(FeatureLengths), ClassTrainDataHandle)，根据总的特征维度，创建对应的SVM模型。

④ set_feature_lengths_class_train_data (ClassTrainDataHandle, FeatureLengths, FeatureNames)，将每个特征的名称以及对应的维度添加到SVM模型。

⑤ calculate_features (Domain, Image, FeatureNames, Features)，在特定的区域和图像，按照每个特征的名称中，计算每个的特征数据Features。

⑥ add_sample_class_train_data (ClassTrainDataHandle, 'feature_column', Features, ClassID)，将计算得出的特征数据Features以及对应的分类种类添加到SVM模型。

⑦ select_feature_set_svm (ClassTrainDataHandle, 'greedy', [], [], SVMHandle, SelectedFeatures, Score)，在特征数据群里面筛选出训练数据中最有效果的子特征，即自动抓取有效子特征，并返回SVM模型以及SelectedFeatures(有效子特征)

按照本次的分类测试结果来看，分类准确率百分之百，四种分类器均有优缺点，在实际应用场景中，还是需要贴合自身需求选择合适的分类器。

分类器普遍活跃在缺陷识别、光学字符识别、图像分割等领域，特别是面对多种缺陷容易混淆的情况时，选择合适的分类器往往能事半功倍。

由于SVM是自动抓取特征，因此在海量数据集中，存在很多很多的特征数据，直接训练测试SVM模型时，速度可能会很慢，数据的某些噪音，也可能存在过拟合现象。