机器学习-图像特征

机器学习中的图像特征是从图像数据中提取的关键信息，用于描述图像的某些方面。这些特征对于训练机器学习模型来说至关重要，因为它们可以捕捉图像的结构、模式和关键信息，从而帮助模型学习和做出预测。以下是有关机器学习中图像特征的一些重要总结：

1.颜色特征：
2.颜色直方图： 描述图像中每个颜色的分布情况。
3.颜色平均值： 计算图像中各通道的平均颜色值。
4.颜色矩： 使用颜色值的矩来表示图像的颜色特征。

5.纹理特征：
6.灰度共生矩阵（GLCM）： 描述图像中像素灰度级别之间的空间关系。
7.局部二值模式（LBP）： 用于捕捉图像中像素点与其邻域的纹理模式。

8.形状特征：
9.边缘检测： 使用算子如Sobel、Canny等来检测图像中的边缘。
10.轮廓特征： 描述图像中对象的轮廓形状。

11.空间特征：
12.尺度不变特征变换（SIFT）： 在不同尺度上检测关键点。
13.方向梯度直方图（HOG）： 用于检测图像中的对象边缘和纹理。

14.深度学习中的特征提取：
15.卷积神经网络（CNN）： 使用卷积层来自动提取图像中的特征。
16.预训练模型： 利用在大规模图像数据上训练的模型（如ImageNet上的预训练模型）提取通用特征。

17.局部特征和全局特征：

18.局部特征： 关注图像中的局部信息，如关键点、角点等。
19.全局特征： 考虑整个图像的信息，如整体颜色分布、形状等。

20.特征选择和降维：

21.主成分分析（PCA）： 通过线性变换将特征投影到主成分上，以减少特征的维度。
22.特征选择算法： 选择对任务最有用的特征，减少冗余信息。

总体而言，图像特征的选择取决于任务的性质和数据的特点。在训练机器学习模型时，合适的特征提取和选择对于模型性能的提升至关重要。深度学习技术的发展也使得模型能够自动学习更高级别的特征。

import skimage
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from skimage import io

# 这部分使用 skimage 库中的函数加载两个图像（cat 和 dog）。
cat = io.imread('./datasets/cat.png')
dog = io.imread('./datasets/dog.png')
# 它在“Image”列下创建一个包含两行（“Cat”和“Dog”）的 DataFrame。
df = pd.DataFrame(['Cat', 'Dog'], columns=['Image'])
print(cat.shape, dog.shape)

#本节创建一个具有两个子图的图形。
# 它在第一个子图中显示猫图像，在第二个子图中显示狗图像。
fig = plt.figure(figsize = (8,4))
ax1 = fig.add_subplot(1,2, 1)
ax1.imshow(cat)
ax2 = fig.add_subplot(1,2, 2)
ax2.imshow(dog)

# 这部分创建狗图像的三个副本 （， ， ），每个副本代表一个 RGB 通道。
# 它将其他两个通道中的像素值设置为零，从而有效地隔离每个通道。
dog_r = dog.copy() # Red Channel
dog_r[:,:,1] = dog_r[:,:,2] = 0 # set G,B pixels = 0

dog_g = dog.copy()# Green Channel
dog_g[:,:,0] = dog_g[:,:,2] = 0  # set R,B pixels = 0

dog_b = dog.copy() # Blue Channel
dog_b[:,:,0] = dog_b[:,:,1] = 0 # set R,G pixels = 0

# 连接RGB通道并显示：
# 它将红色、绿色和蓝色通道水平连接成一个图像 （）。
# 它显示串联的图像。
plot_image = np.concatenate((dog_r, dog_g, dog_b), axis=1)
plt.figure(figsize = (10,4))
plt.imshow(plot_image)

# 灰度图
from skimage.color import rgb2gray
# 转换为灰度并显示：
# 将猫和狗图像转换为灰度
cgs = rgb2gray(cat)
dgs = rgb2gray(dog)

# 显示灰度图像
fig = plt.figure(figsize=(8, 4))
ax1 = fig.add_subplot(2, 2, 1)
ax1.imshow(cgs, cmap="gray")
ax2 = fig.add_subplot(2, 2, 2)
ax2.imshow(dgs, cmap='gray')

plt.show()