【图像处理】——Python实现图像特征提取&BP神经网络实现图像二分类

最新推荐文章于 2024-06-28 15:30:07 发布

有情怀的机械男

最新推荐文章于 2024-06-28 15:30:07 发布

阅读量6.3k

点赞数 8

分类专栏：图像处理机器学习文章标签：神经网络 python 机器学习

本文链接：https://blog.csdn.net/qq_45769063/article/details/109053066

版权

图像处理同时被 2 个专栏收录

40 篇文章 12 订阅 ¥99.90 ¥299.90

订阅专栏

超级会员免费看

机器学习

40 篇文章 36 订阅

订阅专栏

该博客介绍了如何使用Python进行图像特征提取，包括灰度特征、GLCM特征、Huments不变矩特征和LBP特征。接着讲解了BP神经网络在图像二分类中的应用，详细阐述了输入层、隐层、输出层结点的设置，特别是one hot编码在多分类问题中的应用。最后，提到了一个输出节点的分类方式，并给出了相关代码示例。

摘要由CSDN通过智能技术生成

一、图像特征提取

二、BP实现图像二分类

1、输入层、隐层、输出层结点个数设置

（1）one hot码（假设是n分类问题）

(2)一个输出，输出层结点为1

一、图像特征提取

图像具有灰度特征、GLCM特征、Huments不变矩特征、LBP特征，具体可参考我主页的其他博客

import cv2
import numpy as np
from numpy import histogram

#灰度特征
def GrayFea(faultness):
	'''
	:param faultness: 灰度图像
	:return: list->(4)
	'''
	hist0 = cv2.calcHist([faultness], [0], None, [256], [0, 255])
	h, w = faultness.shape
	hist = hist0 / (h * w)

	# 灰度平均值
	mean_gray = 0
	for i in range(len(hist)):
		mean_gray += i * hist[i]

	# 灰度方差
	var_gray = 0
	for i in range(len(hist)):
		var_gray += hist[i] * (i - mean_gray) ** 2

	# 能量
	##归一化
	max_ = np.max(hist)
	min_ = np.min(hist)
	hist_ =