python数据分类_python数据处理 根据颜色对图片进行分类的方法

前面一篇文章有说过，利用scrapy来爬取图片，是为了对图片数据进行分类而收集数据。

本篇文章就是利用上次爬取的图片数据，根据图片的颜色特征来做一个简单的分类处理。

实现步骤如下：

1：图片路径添加

2：对比度处理

3：滤波处理

4：数据提取以及特征向量化

5：图片分类处理

6：根据处理结果将图片分类保存

代码量中等，还可以更少，只是我为了练习类的使用，而将每个步骤都封装成了一个独立的类，当然里面也有类继承的问题，遇到的问题前面一篇文章有讲解。内容可能有点繁琐，尤其是文件和路径的使用（可以自己修改），已经尽量优化代码了。

爬取的原始数据如下：

直接上代码：

import os

import numpy as np

import skimage

import matplotlib.pyplot as plt

from skimage import io #读取图片

from skimage import exposure#调用调对比度的方法rescale_intensity、equalize_hist

from skimage.filters import gaussian#高斯

from skimage import img_as_float #图片unit8类型到float

from scipy.cluster.vq import kmeans,vq,whiten #聚类算法

import shutil#文件夹内容删除

class Path(object):

def __init__(self):

self.path = r"D:\PYscrapy\get_lixiaoran\picture"

self.pathlist = []#原始图片列表

self.page = 0

def append(self):#将每张图片的路径加载到列表中

much = os.listdir(self.path)

for i in range(len(much)):

repath = os.path.join(self.path,str(self.page)+'.jpg')

self.page +=1

self.pathlist.append(repath)

return self.pathlist

class Contrast(object):

def __init__(self,pathlist):

self.pathlist = pathlist

self.contrastlist = []#改变对比度之后的图片列表

self.path2 = r"D:\PYscrapy\get_lixiaoran\picture2"

self.page2 = 0

def balance(self):#将每张图片进行对比度的处理，两种方式 1：均衡化 2：从某个值开始取极值

if os.path.exists(self.path2) == False:

os.mkdir(self.path2)

# for lis in self.pathlist:

# data = skimage.io.imread(lis)

# equalized = exposure.equalize_hist(data)#方法一这里使用个人人为更好的均衡化处理对比度的方法

# self.contrastlist.append(equalized)

for lis in self.pathlist:

data = skimage.io.imread(lis)

high_contrast = exposure.rescale_intensity(data,in_range=(20,220))#方法二 以20和220取两端极值

self.contrastlist.append(high_contrast)

for img in self.contrastlist:

repath = os.path.join(self.path2,str(self.page2)+'.jpg')#保存修改后的图片

skimage.io.imsave(repath,img)

self.page2 +=1

class Filter(Contrast):

def __init__(self,pathlist):

super().__init__(pathlist)

self.path31 = self.path2

self.path32 = r"D:\PYscrapy\get_lixiaoran\picture3"

self.page3 = 0

self.filterlist = []

def filte_r(self):

img = os.listdir(self.path31)#读取文件内容

if os.path.exists(self.path32) == False:

os.mkdir(self.path32)

for lis in range(len(img)):#循环做每张图片的高斯过滤

path = os.path.join(self.path31,str(lis)+r'.jpg')

img = skimage.io.imread(path)

gas = gaussian(img,sigma=3)#multichannel=False去掉颜色2D

self.filterlist.append(gas)

path_gas = os.path.join(self.path32,str(self.page3)+r'.jpg')

skimage.io.imsave(path_gas,gas)

self.page3 +=1

return self.path32

class Vectoring(object):

def __init__(self,filter_path):

self.path41 = filter_path

self.diff = []

self.calculate = []

def vector(self):

numbers = os.listdir(self.path41)#获取文件夹内容

os.chdir(self.path41)#切换路径

for i in range(len(numbers)):

self.diff.append([])

for j in range(4):

self.diff[i].append([])#diff[[number],[img_float],[bin_centers],[hist]]

for cnt,number in enumerate(numbers):

img_float = img_as_float(skimage.io.imread(number))#将图像ndarry nint8->float

hist,bin_centers = exposure.histogram(img_float,nbins=10)#取图像的每个区间的像素值分隔区间

self.diff[cnt][0] = number

self.diff[cnt][1] = img_float

self.diff[cnt][2] = bin_centers#把数据添加到diff中

self.diff[cnt][3] = hist

for i,j in enumerate(self.diff):#使用hist和bin_centers相乘来降维,向量化

self.calculate.append([y*self.diff[i][3][x] for x,y in enumerate(self.diff[i][2])])#这里可能需要理解一下，就是涉及的参数有点多

for i in range(len(self.diff)):

self.diff[i].append(self.calculate[i])#将特征向量calculate也加入到diff中

return self.diff #diff[[number],[img_float],[bin_centers],[hist],[calculate]]

class Modeling(Vectoring):

def __init__(self,filter_path,K):

super().__init__(filter_path)

self.K = K

def model(self):

diff = self.vector()

calculate = []

for i in range(len(diff)):

calculate.append(diff[i][4])

spot = whiten(calculate)#这里使用scipy的k-means方法来对图片进行分类

center,_ = kmeans(spot,self.K)#如果对scipy的k-means不熟悉，前面有专门的讲解

cluster,_ = vq(spot,center)

return diff,cluster #获得预测值

class Predicting(object):

def __init__(self,predicted_diff,predicted_cluster,K):

self.diff = predicted_diff

self.cluster = predicted_cluster

self.path42 = r'D:\PYscrapy\get_lixiaoran\picture4'

self.K = K

def predicted(self):

if os.path.exists(self.path42) == True:

much = shutil.rmtree(self.path42)

os.mkdir(self.path42)

else:

os.mkdir(self.path42)

os.chdir(self.path42)

for i in range(self.K):#创建K个文件夹

os.mkdir('classify{}'.format(i))

for i,j in enumerate(self.cluster):

skimage.io.imsave('classify{}\\{}'.format(j,self.diff[i][0]),self.diff[i][1])#根据图片的分类来将它们保存至对应的文件夹

if __name__=="__main__":

np.random.seed(10)

#文件路径添加

start = Path()

pathlist = start.append()

#对比度类

second = Contrast(pathlist)

second.balance()#get改变对比度后的图片个数

#高斯过滤

filte = Filter(pathlist)

filter_path = filte.filte_r()

#数据提取及向量化

vectoring = Vectoring(filter_path)

#K值的自定义

K = 3

#建模

modeling = Modeling(filter_path,K)

predicted_diff,predicted_cluster = modeling.model()

#预测

predicted = Predicting(predicted_diff,predicted_cluster,K)

predicted.predicted()

文件如下：

（K=3）分类如下（picrure4）：

白色的基本在一类

黑色的基本一类

分类出来的图片比较模糊是因为，我分类的是处理过后的图片，并非原图。

其实仔细看效果还是有的，就是确实不是太明显，图片的内容还是有点复杂的。大体的框架已经有了，只是优化的问题，调整优化，以及向量特征化的处理，就能得到更好的结果。或者使用一些更好的处理方式，我这里只是简单的使用了几种常见的图片处理方式，所以效果一般。

这里的类有点多，从上到下是类的顺序，所以一步步看还是不复杂的。如果有什么好的建议可以分享一下。

以上这篇python数据处理 根据颜色对图片进行分类的方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。