支持向量机分类python_支持向量机SVM-对图像进行分类原理讲解和代码示例

支持向量机SVM-对图像进行分类原理讲解和代码示例

对于图像分类，我们往往都想到卷积神经网络，深度学习，可是深度学习很多时候需要很大的计算开销，而且代码编写和调试也较为复杂，对于小型且特征明显数据集的图像分类，有点小试牛刀

今天我们就奖一种机器学习的算法SVM对图像进行分类

今天我们讲的一个实例是关于一个三分类问题，数据是工业中的图片。

我已将数据集和测试集发在我的资源中，需要练习的可以下载

对于图像分类，比较少见，图像的的数据为一种三通道的二维像素点的形式，对于这种数据形式，往往我们使用卷积神经网络去建立模型，但是就算量往往太大，不能在短时间内求解，我们想到，将二维图片展平，即使用python opencv 库的flatten 函数将图片从二维降到一维，这样就可以将数据用于传统的机器学习算法建模。

但同时对于图片而言一张图片size800x600那么展平之后的都像素点数量为480000个，也就是说一个样本的特征向量的长度为480000，这对于计算机而言大大增加了计算量。同时一张图片中其实很多信息是不需要的，所以我们考虑到对数据进行降维，将图片用函数resize到(30，30)也就是(800，600)->(30，30)。

在resize之在讲三通道像素点进行转换，转换成灰度图像，之后再展平，就可以把图像转换成一个长度为900的向量。

之后，我们将数据投入svm进行训练，考虑到数据是较为复杂的，同时特征向量长度太大，数据在超平面的分布是趋近线性分布的概率很小，所以我们直接尝试分线性支持向量机，使用核函数“rbf”,经过多次调试得到gamma的最佳取值为：0.001。

下面看代码

trian.py

#import sys

#import os

#import cv2

#import numpy as np

#from sklearn.svm import SVC

#from sklearn .model_selection import train_test_split

#import time

#import pickle

#SHAPE=(30,30)

#def getImageData(directory):

# s=1

# feature_list=list()

# label_list= list()

# num_classes=0

# for root,dirs,files in os.walk(directory):

# for d in dirs :

# num_classes+=1

# images=ps