基于图像识别的分类器的实现

最近做了一些图像处理的工作，故想着有时间时候整理一下，随着人工智能的发展，智能化的图像识别也越来越受到重视。以肝病的图像分类器为例，通过对每一位肝病患者的CT图像的特征部位提取，解算其相关的纹理特征，再利用机器学习的相关算法在纹理特征的基础上生成分类器，从而对患者的得病程度进行划分。
在这篇，先分享关于对图像分割以及特征提取的一些感悟
1）图像分割往往是图像处理的第一步，提取ROI区域并且忽略不重要信息往往是机器学习中信息提取的重要一步，提取的方式可以考虑首先手动框选，可以考虑例如MFC中onmouse函数操作来提取感兴趣的区域。
2）而图像分割往往可以实际问题来考量，例如非常传统的阈值分割、二次阈值分割、分水岭算法、GRabcut算法等，当然形态学中的处理算法也是不错的可以选择的方法。
3）接下来是信息提取，在机器学习分类中，很多时候大家都把重点放在机器学习算法上，其实个人认为往往信息提取是图像分类中更重要的一步，选取合理的信息提取信息，在后期机器学习的实现中往往会起到更重要的作用。（机器学习的算法只是来处理数据，而数据如果区分度越明显，当然效果将会越明显），针对B超或者这种CT图像，纹理特征是非常好的选择，也就是行程矩阵或者灰度共生矩阵等等。
4）机器学习算法的分类实现，这里自己所用的是opencv中自带的机器学习算法库，主要是利用随机森林进行了一个特征重要度选取（实现的依据袋外数据误差），再利用opencv中SVM和BP神经网络进行分类对比操作（其实opencv中机器学习的包确实比较成熟了，而且调用方便简洁很好操作），后期考虑是否可以去损失函数的优化算法进行改进避