Machine-Learning

Simple image classification using various machine learning methods, including image feature extraction steps and feature dimensionality reduction visualization method.

用多种机器学习方法进行简单的图像分类（针对灰度图像，也可改为可见光图像），包括对图像的特征提取步骤及特征降维可视化方法。

1.Prepare Data

涉及到的文件包括：prapare_data.py, prepare_data.sh, feature2.py

1.1 数据采用如下格式存放

• |-- data
  • |--train
    • |--1
    • |--2
    • |-...
  • |--test
    • |--1
    • |--2
    • |-...

1.2 运行说明

RF、Adaboost、SVM方法的数据准备使用prapare_data.py与prepare_data.sh两个文件进行准备;

knn、Bayes方法不需要数据准备，直接运行即可.

1.3 特征

图像的特征包括

SVD特征
Hu不变矩特征
均值对比度特征（MR）
亮度比(Pzor):比目标最亮点亮度小10%以内的像素点个数与目标总像素个数之间的比值
长宽比(minrectangle):目标最小外接矩形的长度与宽度之比值
SIFT特征
Harris特征
Fourier傅立叶描述子

2.Methods

涉及到的文件包括：RF_Adaboost.py,RF_Adaboost-multi_classes.py, SVM.py, SVM.sh, knn.py, knn.sh, cnn/, lib/

2.1 AdaBoost

RF_Adaboost.py和RF_Adaboost-multi_classes.py 分别针对步骤1提取到的特征，实现了图像的二分类与多分类。

2.2 Random Forest

RF_Adaboost.py和RF_Adaboost-multi_classes.py 分别针对步骤1提取到的特征，实现了图像的二分类与多分类。

2.3 SVM

• lib 直接从libSVM官网下载的py库文件

SVM.py
SVM.sh

2.4 KNN

knn.py
knn.sh

2.5 CNN

使用简单的神经网络进行图像分类

cnn/*

3.feature dimensionality reduction &visualization

data_visualization.py

实现了数据的三种降维方法

包括常见的LDA、PCA、T_SNE三种方法

并对结果进行可视化与保存，可以显示类别间的差异，验证特征的有效性与可分性

结果展示：