头歌：图像识别案例在线实验闯关

第5关：彩色图像识别模型

任务描述

本关任务1（水质图像识别，教材上的案例）：在水养殖业中，水体生态系统中存在着各种浮游植物、动物与各类微生物，其动态平衡尤为重要。一般地，这些大多是通过有经验的专家肉眼观察来进行判断，存在一定的主观性和不易推广应用。本实验基于数字图像处理技术和机器学习、深度学习方法，以专家经验为基础对水色图像进行优劣分级，并以专家标注的水色图像作为模型的训练数据集，最终实现对水色图像的快速判别。 本案例将水色分为五类：第1类为浅绿色，采集了51张图片；第2类为灰蓝色，采集了44张图片；第3类为黄褐色，采集了78张图片；第4类为茶褐色，采集了24张图片；第5类为绿色，采集了6张图片。图片总数为203张，其中图片大小不统一。 对5种类型共203张图片，按照80%训练、20%测试进行随机划分，构建基于水色图像的水质识别模型。

本关任务2（纸币图像识别）：现有1元、5元、10元、20元、50元、100元共6种面额的纸币彩色图像数据集（每种纸币按正、反面和两个不同的方向，分别采集10张图片，累计每个币种采集40张图片，6种币种合计240张图片），请计算每张图片R、G、B三个颜色通道的一阶、二阶、三阶颜色矩阵，共9个特征指标数据，记为自变量X，同时构造纸币面额标签数据集，记为因变量Y。利用所得的自变量X和因变量Y，数据集按照80%训练、20%测试进行随机划分，构建纸币面额识别模型。

编程要求

根据提示，在右侧编辑器补充代码，完成建模、代码编写和分析。

'''
任务1：
1）背景介绍
在水养殖业中，水体生态系统中存在着各种浮游植物、动物与各类微生物，其动态平衡尤为重要。
一般地，这些大多是通过有经验的专家肉眼观察来进行判断，存在一定的主观性和不易推广应用。
本任务基于数字图像处理技术和机器学习、深度学习方法，以专家经验为基础对水色图像进行优劣分级，
并以专家标注的水色图像作为模型的训练数据集，最终实现对水色图像的快速判别。
2）任务描述
本案例将水色分为五类：第1类为浅绿色，采集了51张图片；第2类为灰蓝色，采集了44张图片；第3类为黄褐色，采集了78张图片；
第4类为茶褐色，采集了24张图片；第5类为绿色，采集了6张图片。图片总数为203张，其中图片大小不统一。
对5种类型共203张图片，按照80%训练、20%测试进行随机划分，构建基于水色图像的水质分类识别模型
返回模型的准确率rv和测试集的预测准确率rs。
'''
'''
任务2：
现有1元、5元、10元、20元、50元、100元共6种面额的纸币彩色图像,储存在"图片"文件夹内，相关信息及要求如下：
1）每种纸币均从正、反两面及两个不同的方向，进行采集图像各10张，即每种纸币采集40张，6种货币，则总图片有240张。
2）图片的命名为：面额值_采集序号.png，比如1元纸币40张依次命名为：1_1.png~1_40.png，其他同理。
3）读取图片文件夹，计算每张图片的R、G、B三个颜色通道的一阶、二阶、三阶颜色矩特征，共9个特征指标数据，记为自变量X，
4）同时构造纸币面额标签数据集，记为因变量Y。
5）按80%训练和20%测试进行随机划分数据集，构建支持向量机分类模型，
6）返回模型的准确率rv和测试集的预测准确率rs。
'''
from PIL import Image
import numpy as np
import os
def return_values():
    path='图片2/' #任务1的图片文件夹
    fname=os.listdir(path) 
    X=np.zeros((len(fname),9)) #预定义自变量，即9个颜色矩阵特征指标
    Y=np.zeros(len(fname)) #预定义因变量
    for i in range(len(fname)):
        img=Image.open(path+fname[i]) #读取第i张图片
        im=img.split()
        R=np.array(im[0])/255                #R通道
        row_1=int(R.shape[0]/2)-50
        row_2=int(R.shape[0]/2)+50
        con_1=int(R.shape[1]/2)-50
        con_2=int(R.shape[1]/2)+50
        R=R[row_1:row_2,con_1:con_2]
        G=np.array(im[1])/255                #G通道
        G=G[row_1:row_2,con_1:con_2]
        B=np.array(im[2])/255                #B通道
        B=B[row_1:row_2,con_1:con_2]
        #构造X
        png_name=fname[i]
        X[i]=png_name.split("_")[0]
        #构造Y
        png_name=fname[i]
        Y[i]=png_name.split("_")[0]
        #建模及计算
        from sklearn.model_selection import train_test_split
        x_train,x_test,y_train,y_test=train_test_split(X,Y,test_size=0.2,random_state=4)
        import sklearn.svm as svm
        from sklearn.svm import SVC
        clf = svm.SVC(kernel='linear') 
        clf.fit(x_train,y_train)
        rv=clf.score(x_train, y_train);
        y1=clf.predict(x_test)
        r=y1-y_test
        rs=len(r[r==0])/len(y1)
    return (rv,rs)