python 图片分类_将一组图像分类为类

我有一个问题，我得到了一套图片，需要分类。在

问题是，我真的对这些图像一无所知。所以我计划使用尽可能多的描述符，然后对这些描述符进行PCA，只识别对我有用的描述符。在

如果有帮助的话，我可以对很多数据点进行监督学习。然而，有一个机会，图片是相互连接的。这意味着可能会有一个从图像X到图像X+1的发展，尽管我有点希望通过每个图像中的信息来进行分类。在

我的问题是：在使用Python时，如何做到最好？(我想先做一个概念证明，在速度不成问题的情况下)。我应该使用什么库？在

已经有这样一种图像分类的例子了吗？使用一堆描述符并通过PCA将它们烹饪下来的例子？老实说，这部分对我来说有点可怕。虽然我认为python应该已经为我做了这样的事情。在

编辑：

我找到了一个很好的工具包，我目前正在为此进行尝试：http://scikit-image.org/里面似乎有一些描述符。有没有一种方法可以自动提取特征，并根据特征对目标分类的描述能力对特征进行排序？PCA应该能够自动排名。在

编辑2：

我的数据存储框架现在有了一些改进。我将使用Fat系统作为数据库。我将有一个文件夹为每个实例的组合类。因此，如果图像属于1类和2类，则会有一个包含这些图像的文件夹img12。这样我可以更好地控制每个类的数据量。在

编辑3：

我发现了一个python库(sklearn)的例子，它可以做一些我想做的事情。它是关于识别手写数字。我正在尝试将我的数据集转换为可用于此的数据集。在

下面是我使用sklearn找到的示例：import pylab as pl

# Import datasets, classifiers and performance metrics

from sklearn import datasets, svm, metrics

# The digits dataset

digits = datasets.load_digits()

# The data that we are interested in is made of 8x8 images of digits,

# let's have a look at the first 3 images, stored in the `images`

# attribute of the dataset. If we were working from image files, we

# could load them using pylab.imread. For these images know which

# digit they represent: it is given in the 'target' of the dataset.

for index, (image, label) in enumerate(zip(digits.images, digits.target)[:4]):

pl.subplot(2, 4, index + 1)

pl.axis('off')

pl.imshow(image, cmap=pl.cm.gray_r, interpolation='nearest')

pl.title('Training: %i' % label)

# To apply an classifier on this data, we need to flatten the image, to

# turn the data in a (samples, feature) matrix:

n_samples = len(digits.images)

data = digits.images.reshape((n_samples, -1))

# Create a classifier: a support vector classifier

classifier = svm.SVC(gamma=0.001)

# We learn the digits on the first half of the digits

classifier.fit(data[:n_samples / 2], digits.target[:n_samples / 2])

# Now predict the value of the digit on the second half:

expected = digits.target[n_samples / 2:]

predicted = classifier.predict(data[n_samples / 2:])

print("Classification report for classifier %s:\n%s\n"

% (classifier, metrics.classification_report(expected, predicted)))

print("Confusion matrix:\n%s" % metrics.confusion_matrix(expected, predicted))

for index, (image, prediction) in enumerate(

zip(digits.images[n_samples / 2:], predicted)[:4]):

pl.subplot(2, 4, index + 5)

pl.axis('off')

pl.imshow(image, cmap=pl.cm.gray_r, interpolation='nearest')

pl.title('Prediction: %i' % prediction)

pl.show()