第一次发帖,请多多包涵。
正如标题所示,我计划通过使用利用健康和不健康植物图像的监督机器学习来创建一个通用(即每个实例都可以检测一种类型的植物)植物健康分类器。衡量标准是叶子的颜色、形状以及植物任何部分是否存在真菌。
我之前涉足过机器学习,并使用 Eigenfaces 方法编写了面部识别程序,并使用 Knn 方法编写了分类程序,但我仍然是一个新手。我不是数学天才,因此任何直观的解释将不胜感激。
话虽这么说,我想做同样的事情,但是对于植物,并且想恭敬地问一些事情,如下面的方括号中所述。由于这个项目肯定需要一些时间,我想看看我的思维过程是否正确。
我的预期步骤(如果我错了,请纠正我)如下:
- 获取负载受控图像(例如,仅树叶、无树叶) 背景)
- 标准化图像将图像更改为灰度。 [1]
- 确保尺寸相同
- 特征提取? [2]
- 标记并输入机器学习算法 [3]
- 插入图像,重复步骤 2-4 输入机器学习算法,标签就会弹出。
因此,我的问题如下:
- 归一化或转换为灰度会导致图像特征丢失吗?
- 如果我只使用 Knn 方法,这有必要吗?如果是,这会是我的机器学习算法的基础吗?
- 我是否仍然能够对植物使用特征脸方法并产生与在面部上执行特征脸方法类似的精度结果?否则,我应该使用什么类型的算法?
- 有什么我可能错过的事情需要注意吗?
对于这么长的帖子,我深表歉意。感谢您提前的帮助!
最佳答案
看看最近完成的解决方案Kaggle Competition on Diabetic Retinopathy Detection 。 这个问题似乎与您的问题类似,图像处理和识别图像内的 Blob 。
This blog post前 10 名 Jeffrey De Fauw 撰写的文章非常精彩,Python 源代码为 available 。
这并不能回答你的问题(而是指你的“预期步骤”),也许他使用的算法不适合你,但也许你至少可以了解一下总体策略图像预处理工作流程。
关于image-processing - 使用机器学习创建植物健康分类器,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/31784005/