VGG-Bayes图像识别，基于贝叶斯定理

最新推荐文章于 2024-07-07 23:31:18 发布
最新推荐文章于 2024-07-07 23:31:18 发布
阅读量401 收藏 4
点赞数
分类专栏： 贝叶斯 图像分类 图像识别 文章标签： 概率论 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36605134/article/details/125355490
版权

贝叶斯法则

通常，事件A在事件B(发生)的条件下的概率，与事件B在事件A的条件下的概率是不一样的；然而，这两者是有确定的关系,贝叶斯法则就是这种关系的陈述。

作为一个规范的原理，贝叶斯法则对于所有概率的解释是有效的；然而，频率主义者和贝叶斯主义者对于在应用中概率如何被赋值有着不同的看法：频率主义者根据随机事件发生的频率，或者总体样本里面的个数来赋值概率；贝叶斯主义者要根据未知的命题来赋值概率。一个结果就是，贝叶斯主义者有更多的机会使用贝叶斯法则。

贝叶斯法则是关于随机事件A和B的条件概率和边缘概率的。

P(A_{i}|B)=\frac{P(B|A_{i})P(A_{i})}{\sum_{j}P(B|A_{J})P(A_{j})}

其中P(A|B)是在B发生的情况下A发生的可能性。A_{1},...,A_{n}为完备事件组，即U_{i=1}^{n}A_{i} = \Omega ,A_{i}A_{j} = \Phi ,P(A_{i})>0

在贝叶斯法则中，每个名词都有约定俗成的名称：

Pr(A)是A的先验概率或边缘概率。之所以称为"先验"是因为它不考虑任何B方面的因素。

Pr(A|B)是已知B发生后A的条件概率，也由于得自B的取值而被称作A的后验概率。

Pr(B|A)是已知A发生后B的条件概率，也由于得自A的取值而被称作B的后验概率。

Pr(B)是B的先验概率或边缘概率，也作标准化常量（normalized constant）。

按这些术语，Bayes法则可表述为：

后验概率 = (似然度 * 先验概率)/标准化常量　也就是说，后验概率与先验概率和似然度的乘积成正比。

另外，比例Pr(B|A)/Pr(B)也有时被称作标准似然度（standardised likelihood），Bayes法则可表述为：

后验概率 = 标准似然度 * 先验概率。 [1] 

贝式定理

对于变量有二个以上的情况，贝式定理亦成立。例如：

P(A|B,C)=\frac{P(C|A,B)P(A)P(B|A)}{P(B)P(C|B)}

这个式子可以由套用多次二个变量的贝氏定理及条件机率的定义导出。

本文使用数据集是Sort_1000pics，并对数据进行了分类，使用VGG对分类后的数据集特征提取，对得到的数据集使用贝叶斯原理进行训练识别。

数据集分类代码

import os
import shutil
import glob


def mycopyfile(srcfile, dstpath, numlist):  # 复制函数
    if not os.path.isfile(srcfile):
        print("%s not exist!" % (srcfile))
    else:
        fpath, fname = os.path.split(srcfile)  # 分离文件名和路径
        num = str.split(fname, '.')[0]
        if not os.path.exists(dstpath + fname):
            if numlist <= int(num) <= numlist + 99:
                shutil.copyfile(srcfile, dstpath + fname)
                print("copy %s -> %s" % (srcfile, dstpath + fname))
        else:
            print("{}.{} file exist!".format(str.split(fname, '.')[0], str.split(fname, '.')[1]))


dirlist = ['People', 'Architecture', 'Beach', 'BigTrucks', 'Dinosaurs', 'Elephant', 'Flowers', 'Food', 'Horse',
           'Mountain']
numlist = [0, 200, 100, 300, 400, 500, 600, 900, 700, 800]
dirnumdict = dict(zip(dirlist, numlist))
print(dirnumdict)
src_dir = os.getcwd() + '/dataset1/'
if os.path.isdir(src_dir):
    print(True)
src_file_list = glob.glob(src_dir + '*')
for eachdir in dirlist:
    dst_dir = os.getcwd() + '/dataset/{}/'.format(eachdir)
    for srcfile in src_file_list:
        mycopyfile(srcfile, dst_dir, dirnumdict[eachdir])

VGG特征提取代码

import torch
import torch.nn as nn
from torch.autograd import Variable
from torchvision import models, transforms
from PIL import Image
import numpy as np
import os, glob
import csv

dir_root = './dataset/'
features_dir = './dataset/feature/'  # Resnet_features_train

class Encoder(nn.Module):
    def __init__(self):
        super(Encoder, self).__init__()
        VGG = models.vgg16(pretrained=True)
        self.feature = VGG.features
        self.classifier = nn.Sequential(*list(VGG.classifier.children())[:-3])
        pretrained_dict = VGG.state_dict()
        model_dict = self.classifier.state_dict()
        pretrained_dict = {k: v for k, v in pretrained_dict.items() if k in model_dict}
        model_dict.update(pretrained_dict)
        self.classifier.load_state_dict(model_dict)

    def forward(self, x):
        output = self.feature(x)
        output = output.view(output.size(0), -1)
        output = self.classifier(output)
        return output


model = Encoder()
#model = model.cuda()


def extractor(img_path, saved_path, net, use_gpu=False):
    transform = transforms.Compose([
        transforms.Resize(256),
        transforms.CenterCrop(224),
        transforms.ToTensor()]
    )

    img = Image.open(img_path)
    img = transform(img)
    print(img.shape)

    x = Variable(torch.unsqueeze(img, dim=0).float(), requires_grad=False)
    print(x.shape)

    if use_gpu:
        x = x.cuda()
        net = net.cuda()
    y = net(x).cpu()
    y = torch.squeeze(y)
    y = y.data.numpy()
    feature_numpy = y
    print(y.shape)
    np.savetxt(saved_path, y, delimiter=',')
    return feature_numpy


if __name__ == '__main__':
    extensions = ['jpg', 'jpeg', 'JPG', 'JPEG']
    mkdictten = {}
    print(os.listdir(dir_root))
    feature_list = []
    lable_name = []

    for eachfilename in os.listdir(dir_root):
        if eachfilename != 'feature':
            data_dir = './dataset/{}'.format(eachfilename)  # train
            files_list = []
            x = os.walk(data_dir)
            for path, d, filelist in x:
                for filename in filelist:
                    file_glob = os.path.join(path, filename)
                    files_list.extend(glob.glob(file_glob))

            print(files_list)

            use_gpu = torch.cuda.is_available()

            for x_path in files_list:
                file_name = x_path.split('\\')[-1].split('.')[0]
                file_feature_dir = features_dir+x_path.split('/')[-1].split('\\')[0]
                print(file_name)
                if not os.path.exists(file_feature_dir):
                    os.makedirs(file_feature_dir)
                fx_path = file_feature_dir + '/' + file_name + '.txt'
                if not os.path.exists(fx_path):
                    feature_numpy = extractor(x_path, fx_path, model, use_gpu)
                    feature_list.append(list(feature_numpy))
                    lable_name.append(eachfilename)

                else:
                    print("{} file exist!".format(fx_path))
with open('labelset.csv','w') as f:
    f_csv = csv.writer(f)
    #f_csv.writerow(feature_list)
    f_csv.writerow(lable_name)
with open('dataset.csv', 'w') as f:
    f_csv = csv.writer(f)
    f_csv.writerows(feature_list)

贝叶斯图像分类识别代码

from sklearn.model_selection import train_test_split #对数据集进行切分
from sklearn.naive_bayes import GaussianNB  # 朴素贝叶斯网络模型

import csv
X = []
with open('dataset.csv', 'r') as f:
    reader = csv.reader(f)
    for row in reader:
        float_row = []
        if len(row):
            for each in row:
                float_row.append(float(each))
            X.append(float_row)


with open('labelset.csv','r') as f:
    f_csv = csv.reader(f)
    rows = [row for row in f_csv]
Y = rows[0]


X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.2, random_state=0)

#将数据集按照 训练集比测试集为8：2的比例随机拆分数据集
clf = GaussianNB()  # 建立朴素贝叶斯网络
clf.fit(X_train, y_train)  # 带入训练集训练模型
pre = clf.predict(X_test)  # 预测测试集中特征矩阵所属的类别
print('预测集标签')
print(y_test)
print('预测结果')
print(pre)
num = 0
for i in range(0,len(pre)):
    if y_test[i] == pre[i]:
        num += 1
print(num/len(pre))

with open('result.csv','w') as f:
    f_csv = csv.writer(f)
    #f_csv.writerow(feature_list)
    f_csv.writerow(['预测试集标签'])
    f_csv.writerow(y_test)
    f_csv.writerow(['预测结果标签'])
    f_csv.writerow(pre)
    f_csv.writerow(['精度:{}'.format(num/len(pre))])

测试结果：

预测试集标签
PeopleMountainBigTrucksFlowersFoodPeopleArchitectureBigTrucksDinosaursHorseElephantFlowersHorseBigTrucksFlowersArchitecturePeopleBeachArchitectureArchitectureArchitectureElephantDinosaursDinosaursMountainHorseArchitectureBeachHorseArchitectureMountainHorseFoodHorseElephantHorsePeopleDinosaursPeopleBigTrucksBigTrucksPeopleFoodFoodBigTrucksHorseMountainBeachDinosaursFlowersDinosaursBigTrucksBigTrucksElephantMountainFlowersBigTrucksBigTrucksPeopleDinosaursFlowersFoodBeachBigTrucksElephantBeachBigTrucksFlowersBigTrucksFlowersHorseBigTrucksHorseBigTrucksPeopleElephantDinosaursHorseFoodFoodBigTrucksElephantDinosaursPeoplePeopleFoodBigTrucksFlowersElephantMountainElephantElephantPeopleBigTrucksFoodElephantFlowersBeachDinosaursFoodHorseMountainArchitecturePeopleDinosaursFoodFoodHorsePeopleBigTrucksArchitectureFlowersElephantFlowersBigTrucksDinosaursFlowersDinosaursElephantFlowersHorsePeopleBeachPeopleArchitectureMountainDinosaursBigTrucksPeopleFoodElephantFoodFlowersHorseHorseFoodDinosaursArchitectureFlowersMountainBeachFoodFlowersBigTrucksBigTrucksElephantDinosaursDinosaursArchitectureArchitectureBigTrucksArchitectureElephantHorsePeoplePeopleElephantDinosaursMountainElephantFlowersPeopleFoodMountainPeopleDinosaursDinosaursPeopleDinosaursElephantPeopleHorseBeachMountainElephantHorseBigTrucksFoodMountainBeachHorsePeopleElephantDinosaursPeoplePeopleHorseElephantHorseBigTrucksMountainMountainElephantArchitectureHorseFoodHorseBigTrucksFoodBeach
预测结果标签
PeoplePeopleBigTrucksFlowersFoodBeachArchitectureBigTrucksDinosaursHorseElephantFlowersHorseBigTrucksFlowersArchitectureBeachBeachArchitectureArchitectureArchitectureElephantDinosaursDinosaursMountainHorseArchitectureBeachHorseArchitectureMountainHorseFoodHorseElephantHorsePeopleDinosaursPeopleBigTrucksBigTrucksPeopleFoodFoodBigTrucksHorseMountainMountainDinosaursFlowersDinosaursBigTrucksBigTrucksElephantMountainFlowersBigTrucksBigTrucksPeopleDinosaursFlowersPeopleBeachBigTrucksElephantBeachBigTrucksFlowersBigTrucksFoodHorseBigTrucksHorseBigTrucksPeopleElephantDinosaursHorseFoodFoodBigTrucksElephantDinosaursPeopleBeachFoodBigTrucksFlowersElephantMountainElephantElephantPeopleBigTrucksFoodElephantFlowersFoodDinosaursFoodHorseMountainArchitecturePeopleDinosaursFoodFoodHorsePeopleBigTrucksBeachFlowersElephantFlowersBigTrucksDinosaursFlowersDinosaursElephantFlowersHorsePeopleBeachPeopleArchitectureMountainDinosaursBigTrucksPeoplePeopleElephantFoodFlowersBeachHorseFoodDinosaursArchitectureFlowersBeachBeachFoodFlowersBigTrucksBigTrucksElephantDinosaursDinosaursBeachBeachBigTrucksArchitectureElephantHorsePeoplePeopleElephantDinosaursBeachElephantFlowersFoodFoodElephantPeopleDinosaursDinosaursPeopleDinosaursElephantPeopleHorseBeachMountainElephantHorseBigTrucksPeopleMountainBeachElephantPeopleElephantDinosaursPeoplePeopleHorseElephantHorseBigTrucksMountainMountainElephantArchitectureHorsePeopleHorseBigTrucksFoodBeach
精度:0.9
想成专家
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
【Python】利用高斯朴素贝叶斯模型实现光学字符识别
Asher117的博客
02-24 1143
光学字符识别问题：手写数字识别。简单点说，这个问题包括图像中字符的定位和识别两部分。为了演示方便，我们选择使用 Scikit-Learn 中自带的手写数字数据集。 1.加载并可视化手写数字 首先用 Scikit-Learn 的数据获取接口加载数据，并简单统计一下： &gt;&gt;&gt;from sklearn.datasets import load_digits &gt;&gt;&gt;di...
贝叶斯定理实现图像识别
HCCH030的博客
09-02 1731
数学公式：贝叶斯定理 上篇文章我讲到了利用高中数学知识实现数字识别，但因为算法比较简单，所以精度也是比较低的。这次我们利用概率论中的数学公式来实现智能图像识别，精度也有明显提升。我们来讲一下关于贝叶斯定理。 这就是著名的贝叶斯分类公示了，看起来有点奇怪。P(A|B)表示在B情况下A发生的概率，我们换一种角度来看。 这样看起来就容易懂很多了。这里的特征可以是每个像素点的颜色值，类别表示数字0-9。那知道了算法就直接代入公式运算即可。 直接上源码 public class watch implements Ac
图像识别与处理学习笔记（四）贝叶斯决策和概率密度估计
贾saisai的博客
09-14 810
课程链接: 【北交】图像处理与机器学习 如何确定分类的映射函数？？？什么才是最好的分类？？？ 一个表示x发生的情况下w发生的概率，下面哪个表示w的情况下x发生的概率 简单说就是该特征在哪个类别的概率最大就分到该类。 例题： 当预测错误时，损失函数值为1，预测正确时，损失函数值为0。该损失函数不考虑预测值和真实值的误差程度，也就是只要预测错误，预测错误差一点和差很多是一样的。 例子： 这部分没看懂，先记录下来，再不断研究吧
【图像识别】基于贝叶斯分类器实现柑橘识别matlab源码
m0_60703264的博客
06-29 526
贝叶斯决策论： 贝叶斯决策论考虑如何基于已知的概率和误判损失来选择最优的类别标记。 先验概率(prior probability)： 是指根据以往经验和分析得到的概率。即没有考虑原因，在获得数据和依据之前就对概率进行了猜测，得到了概率。 似然函数(likelihood function)： 似然用来描述已知随机变量输出结果时，未知参数的可能取值。似然函数关注的是由已知的结果和某固有属性的关系，而...
连续型贝叶斯在图像识别中的进展
禅与计算机程序设计艺术
12-31 826
1.背景介绍 图像识别是计算机视觉领域的一个重要分支，它旨在识别图像中的对象、场景和特征。随着数据量的增加和计算能力的提高，图像识别技术已经取得了显著的进展。然而，传统的图像识别方法仍然存在一些局限性，如对于大规模、高维度的数据处理能力有限，以及对于不同类别的图像识别准确性较低等问题。 连续型贝叶斯方法在图像识别领域具有很大的潜力，因为它可以处理高维度数据，并且可以在有限的计算资源下实现高效的...
基于贝叶斯决策的物体识别 MATLAB
12-20
基于贝叶斯决策的物体识别，根据物体的颜色来进行物体识别
MNIST手写数字图像分类 - Naive Bayes Classifier
KK写字的地方
03-19 2738
MNIST手写数字图像分类 - Naive Bayes Classifier引入实际问题MNIST介绍MNIST读取实现训练预测改进数据处理模型选择Reference 引入 在上一篇手写Naive Bayes分类器中，我们成功用自己写的 Naive Bayes 分类器处理了医疗记录数据。那我们的分类器能否用来处理其他类型的数据呢？答案当然是 可！ 以！ 的！在本次的实验中，我们将尝试一下处理图像数...
cifar-vgg-master图像识别_cifar_图像识别_
10-01
综上所述，"cifar-vgg-master图像识别"项目是一个利用Python环境，基于VGG模型的CIFAR数据集图像分类实现。它涵盖了深度学习、卷积神经网络、图像识别、数据集处理、模型训练等多个核心知识点，是深度学习初学者和...
VGG-16.rar_vgg_vgg-16_vgg网络_图像识别_深度学习
09-24
在图像识别任务中，VGG-16展示了极高的性能，其核心在于通过多层小尺寸卷积堆叠来增加网络的深度，而不是依赖大尺寸的卷积核。这种设计提高了模型的表达能力，使得它能够捕捉到更复杂的图像特征。在ILSVRC比赛中，...
基于 tensorflow+VGG-16 的图像分类识别算法
12-03
本次图像的分类识别实验采用的是基于 tensorflow+VGG-16 的图像分类识别模型。vgg是由 Simonyan 和 Zisserman 在文献《Very Deep Convolutional Networks for Large-Scale ImageRecognition》上提出的卷积神经网络...
基于bayes的图像分类
04-07
这是通过贝叶斯进行图像分类的代码，老师给的图片集共1000张，最终通过贝叶斯算法对图片训练预测分类，并输出混淆矩阵，召回率，F1，精确率。相关图片文件路径需自行修改。
基于VGG-16的海量图像检索系统1
08-04
【基于VGG-16的海量图像检索系统】 在计算机视觉领域，图像检索是一个重要的任务，尤其是当面对海量图像数据时。基于深度学习的方法已经取得了显著的进展，其中VGG-16网络模型是一个非常经典的卷积神经网络（CNN）...
人工智能-项目实践-信息检索-基于VGG-16的图像检索系统
02-29
基于VGG-16的图像检索系统 选取图像特征 传统的检索通常采用颜色、形状、纹理、能量等，我们使用深度学习模型（vgg16, resnet50,densenet121）进行特征提取。为了简便，直接用Keras的预训练模型 索引化数据集 对...
贝叶斯决策与图像识别的结合
禅与计算机程序设计艺术
12-26 737
1.背景介绍 图像识别是人工智能领域中的一个重要研究方向，它涉及到计算机对于图像中的物体、场景等进行识别和分类的能力。贝叶斯决策则是一种统计方法，它基于贝叶斯定理来进行推理和决策。在图像识别领域，贝叶斯决策可以用于模型选择、特征选择等方面。本文将讨论贝叶斯决策与图像识别的结合，并详细介绍其核心概念、算法原理、具体操作步骤以及数学模型公式。 2.核心概念与联系 2.1 贝叶斯决策 贝叶斯决策...
深度学习之计算机视觉
人邮异步社区
07-01 1046
在第3章中，使用了名为ResNet的流行的卷积神经网络（Convolutional Neural Network，CNN）架构构建了一个图像分类器，我们将此模型作为黑盒使用。本章将讨论卷积网络的重要组成部分。本章将涵盖如下重要主题： 神经网络简介； 从零开始构建CNN模型； 创建和探索VGG16模型； 计算预卷积特征； 理解CNN模型如何学习； CNN层的可视化权重。 本章将探讨如何从零开始构建一个解决图像分类问题的架构，这是最常见的用例。本章还将讲解如何使用迁移学习，这将有助于我们使用非常小的
pytorch贝叶斯网络_使用贝叶斯优化快速调试pytorch中的超参数的快速教程
weixin_26748251的博客
10-11 6032
pytorch贝叶斯网络Hyperparameters are the parameters in models that determine model architecture, learning speed and scope, and regularization.超参数是确定模型架构，学习速度和范围以及正则化的模型中的参数。 The search for optimal hyperpar...
pytorch初学者的函数收集手册。(二)
kekeshu_k的博客
10-16 446
这些内容某些部分直接复制了其他博主的代码，一般我会留下转载的链接，初心只是为了自己能够方便的查找项目过程中的感悟。如果侵权了请直接联系我，会及时删除。 1.torch的register_hook()register_forward_hook()register_backawrd_hook() 参考链接：@Foneone 首先hook分为3种： register_hook(hook)：为Tensor注册一个backward hook，用来获取变量的梯度；hook必须遵循如下的格式：hook(grad)
【小白学习PyTorch教程】十二、迁移学习：微调VGG19实现图像分类
微信号：RunsenLiu
07-27 3065
@Author：Runsen 神经风格转换是在论文艺术风格的神经算法中引入和发展的。 论文作者：Leon A，Ecker和Matthias Bethge 论文地址：https://arxiv.org/pdf/1508.06576.pdf 他们于2015年提出了一种Neural Style Transfer，将输入图像、内容图像和风格图像三种图像输入到算法中，并对输入图像进行转换，以获得内容图像的特征和风格图像的艺术风格。 基于上述论文，本次博客将作出一个模型，提供类似的输出，就像实现下面案例的效果 i
数学基础 -- 三角学
最新发布
sz66cm 学习随笔
07-07 766
三角学（Trigonometry）是数学的一个分支，主要研究三角形的边长与角度之间的关系。三角学在几何学、物理学、工程学等多个领域中有广泛的应用。
vgg-16猫狗识别
08-30
VGG-16是一种卷积神经网络模型，用于图像识别任务。猫狗识别是指利用计算机视觉技术对图像中的猫和狗进行分类和识别的任务。 VGG-16模型是由牛津大学的研究团队于2014年提出的。该模型的名称VGG是VGGNet的缩写，其中16表示该模型有16个卷积层和全连接层。VGG-16模型通过一系列的卷积层和池化层来提取图像的特征，然后通过全连接层和Softmax分类器对提取的特征进行分类。 对于猫狗识别任务，首先需要准备一个具有大量猫和狗图像的数据集，并标记每个图像的类别。将这个数据集划分为训练集和测试集。 然后，使用VGG-16模型对训练集的图像进行训练，通过反向传播算法不断优化模型的权重参数，使其能够准确地识别猫和狗。在训练过程中，可以使用一些优化技巧，如学习率调整、数据增强等，来提高模型的性能和鲁棒性。 训练完成后，使用训练好的模型对测试集的图像进行分类预测。将预测结果与实际标签进行比较，计算准确率和其他评价指标来评估模型的性能。 通过以上步骤，可以利用VGG-16模型对猫和狗的图像进行准确的分类识别。然而，模型的性能可能会受数据集的质量和多样性、模型的超参数设置等因素的影响。因此，在实际应用中，可以根据具体需求对模型进行调优，并采用一些先进的方法来进一步提高识别的准确性和泛化能力。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

想成专家

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值