Hu不变矩+BP神经网络，实现对图像的分类（pytorch实现）

1.网络模型

方案，如图所示。

先对图片，用hu矩进行特征提取，每个图片产生7个特征值。这7个特征值作为数据，再加上一个标签值。然后送入BP神经网络中，进行模型的训练。模型训练好后，就可以使用模型，对一个新的图片，进行分类识别了。

2.数据集制作

图片数据集是NEU surface defect database，东北大学热轧带钢表面缺陷数据集，该数据集是东北大学的宋克臣等老师收集的。

数据集收集了夹杂（ inclusion ）、划痕（ scratches ）、压入氧化皮（ rolled-inscale ）、裂纹（ cracks ）、麻点（ pitted ）和斑块（ patches ）6种缺陷，每种缺陷300张，图像尺寸为200×200。

我们选取了裂纹（ cracks ）、夹杂（ inclusion ）和麻点（ pitted ）三类缺陷各100副图像，制作数据集。使用Hu不变矩进行特征提取后，就有了300个样本的特征。240个作为训练集，60个作为验证集。

其中，裂纹类图片的标签，记为0，夹杂类图片的标签，记为1，麻点类图片的标签，记为2。（后面会进行one-hot操作，因此记为数字几并不重要，注意对应关系即可）

然后使用Hu矩对这300幅图片，继续特征提取，得到hu值。就制作成了数据集。（但该数据集并不好，因为只含有缺陷图像，不含无缺陷的图像。也就是数据集中只有正例，没有反例。当训练好模型后，在测试模型时，用一个无缺陷图片，则模型会把它分类成三类缺陷中概率最大的那一类。）

#Hu不变矩代码 python+opencv
def Hu_moments(img):
    '''
    opencv_python自带求矩以及不变矩的函数
    :param img: 灰度图像，对于二值图像来说就只有两个灰度0和255
    :return: 返回以10为底对数化后的hu不变矩
    '''
    moments = cv2.moments(img)  # 返回的是一个字典，三阶及以下的几何矩（mpq）、中心矩(mupq)和归一化的矩(nupq)
    humoments = cv2.HuMoments(moments)  # 根据几何矩（mpq）、中心矩(mupq)和归一化的矩(nupq)计算出hu不变矩
    # 因为直接计算出来的矩可能很小或者很大，因此取对数好比较,这里的对数底数为e,通过对数除法的性质将其转换为以10为底的对数
    humoment = (np.log(np.abs(humoments))) / np.log(10)
    humoment = np.reshape(humoment,(1,7))[0]
    return humoment
if __name__ == '__main__':
    img = cv2.imread('3.png', 0) #读入图片
    #对于300幅图片求hu值的操作，笔者建议读者写代码，依次读入文件下的所有图片，求hu值，并把值写入hu.csv文件中
    sys_humoments = hu_moments(img)
    print('Hu不变矩为：\n', sys_humoments)

另外，观察这7个hu值的数据，发现有些数据数量差别有些大，量大的可能对结果有更大的影响，因此，可以对数据先做归一化处理，消除数值本身量度大小对模型的影响。(笔者并未做归一化处理，建议读者可以做一下，而且建议使用Z-score标准化方法，因其适合分类问题。)

3.模型训练、保存、加载和使用

a.这里专门定义了一个数据处理类DealDataset，用来把自己的数据加载，处理成DataLoader类需要的格式。

b.因为使用了交叉熵损失函数(Cross Entropy)，包含了激活和one-hot操作做，所以模型的最后输出不做激活，不做one-hot.

c.模型的保存和加载使用

torch.save(model, 'BPnet.pt') #保存训练好的模型
model_dict=torch.load('BPnet.pt')#加载训练好的模型


'''
用一个数据，测试模型，看其分类结果
'''
array = [-2.98191252,-9.420647126,-12.1779162,-12.69555161,-25.77957309,