图像内容分类(KNN)

一、图像内容分类原理简介：
图像分类，根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。它利用计算机对图像进行定量分析，把图像或图像中的每个像元或区域划归为若干个类别中的某一种，以代替人的视觉判读。
二、分类方法：
1.基于色彩特征的索引技术
2.基于纹理的图像分类技术
3.基于形状的图像分类技术
4.基于空间关系的图像分类技术
三、KNN(K邻近分类法）：
1.原理：
把分类对象（例如一个特征向量）与训练集中已知类标记的所有对象进行对比，并由K近邻对指派到哪一类进行投票。训练样本可能是数字，字符串等。
2.步骤：
距离计算方式的选择（一般选择欧氏距离或曼哈顿距离）
k值的选取（计算测试数据与各个训练数据之间的距离之后，按照距离递增次序进行排序，然后选取距离最小的k个点）
分类的决策规则（取k个近邻训练数据中类别出现次数最多者作为输入新实例的类别）
3.一个简单的二维示例：
（示例中，不同颜色代表类标记，正确的分类标记用星号表示，错误的用圆点表示，曲线为决策边界）

# -*- coding: utf-8 -*-
from numpy.random import randn
import pickle
from pylab import *

# create sample data of 2D points
n = 200
# two normal distributions
class_1 = 0.6 * randn(n,2)
class_2 = 1.2 * randn(n,2) + array([5,1])
labels = hstack((ones(n),-ones(n)))
# save with Pickle
#with open('points_normal.pkl', 'w') as f:
with open('points_normal_test.pkl', 'wb') as f:
    pickle.dump(class_1,f)
    pickle.dump(class_2,f)
    pickle.dump(labels,f)
# normal distribution and ring around it
print ("save OK!")
class_1 = 0.6 * randn(n,2)
r = 0.8 * randn(n,1) + 5
angle = 2*pi * randn(n,1)
class_2 = hstack((r*cos(angle),r*sin(angle)))
labels = hstack((ones(n),-ones(n)))
# save with Pickle
#with open('points_ring.pkl', 'w') as f:
with open('points_ring_test.pkl', 'wb') as f:
    pickle.dump(class_1,f)
    pickle.dump(class_2,f)
    pickle.dump(labels,f)
    
print ("save OK!")

用KNN分类器来完成：

# -*- coding: utf-8 -*-
import pickle
from pylab import *
from PCV.classifiers import knn
from PCV.tools import imtools

pklist=['points_normal.pkl','points_ring.pkl']

figure(