python训练图片分类_基于训练的OpenCV（Python）图像分类

这是一个更为普遍的“我在哪里能找到好的资源来做某事”的问题。我正在尝试使用Python(OpenCV或其他)根据训练集对图像进行分类。

我的训练集：这是由许多产品缺陷的图像组成的。每个图像可以在产品的3个位置中的1个位置拍摄，每个图像将包含5种产品缺陷类型中的1种。这些缺陷已被人工分类并由人验证。

要分类的图像：这些图像由相似的图像组成，在相同的3个位置拍摄，但缺陷的类型没有分类(虽然缺陷区域是由拍摄图像的工具识别的，但只是工具没有正确分类，我无法更改工具)。

我尝试按照《用Python编程计算机视觉：分析图像的工具和算法》一书中的建议进行分类。在本例中，我使用存储在mySQL数据库(训练数据)中的SIFT描述符。到目前为止，我没有太多的运气(我继续排除故障)，我想我会向任何OpenCV专家寻求建议。

任何推荐或建议将不胜感激。

所以，回到这个问题上，我认为分享我学到的东西是值得的。我不知道这是“答案”，但这就是我的归宿。一项正在进行的工作，你总是可以变得更好。

我现在的解决办法是把三种不同的方法结合起来。所有这些都可以在互联网上搜索，所以我不会详细介绍如何。

首先，我使用SIFT方法，使用对VLFeat的命令行调用生成SIFT直方图。这可能是Python中其他地方的一个选项，这正是我所使用的。我使用k-means聚类来做词汇视觉袋的事情，并建立了一个数据库，将质心和与训练图像相关的词汇直方图联系起来。我通过添加根筛选步骤稍微改进了结果。然后我使用密集SIFT(但没有根SIFT调整)创建了一个单独的数据库。最后，根据训练图像的RGB分量建立了一个彩色直方图数据库。我并没有使用所有256个R G B框，而是将单个R、G和B值相加超过8个框，然后将值展平为24个框的直方图。

对未知图像进行同样的处理，然后用欧氏距离比较直方图向量。我也尝试了卡方比较，但在我的情况下，欧几里德提供了更好的结果。我从每一个进程中抽取前三名的结果，根据9票中的5票进行图像分类。如果没有达到多数，那么分析是不确定的。

对于我封闭的图像群体，我的错误分类率为3.1%，不确定度为3.1%。