python - SVM 图像预测 Python

Question

我从训练数据集中的图像中提取了一些特征，然后应用了这些特征并使用 train_test_split 将数据分割为训练和测试:

Train data  : (60, 772)
Test data   : (20, 772)
Train labels: (60,)
Test labels : (20,)

接下来我想做的是将 SVM 分类器应用于测试数据集中的图像并查看结果。

# create the model - SVM
#clf = svm.SVC(kernel='linear', C=40)
clf = svm.SVC(kernel='rbf', C=10000.0, gamma=0.0001)

# fit the training data to the model
clf.fit(trainDataGlobal, trainLabelsGlobal)

# path to test data
test_path = "dataset/test"

# loop through the test images
for index,file in enumerate(glob.glob(test_path + "/*.jpg")):
    # read the image
    image = cv2.imread(file)

    # resize the image
    image = cv2.resize(image, fixed_size)

    # predict label of test image
    prediction = clf.predict(testDataGlobal)
    prediction = prediction[index]
    #print("Accuracy: {}%".format(clf.score(testDataGlobal, testLabelsGlobal) * 100 ))

    # show predicted label on image
    cv2.putText(image, train_labels[prediction], (20,30), cv2.FONT_HERSHEY_TRIPLEX, .7 , (0,255,255), 2)

    # display the output image
    plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
    plt.show()

尽管我可以看到它说准确度为 60%，但我并没有获得很好的准确度。然而大多数图像的标签是错误的。我在预测中传递了错误的参数吗？

我可以做些什么来改善这个问题？

编辑:我已尝试使用以下代码执行您所说的操作，但收到一条错误消息，提示我应该 reshape 我的 feature_vector。所以我这样做了，然后出现以下错误。

(作为引用:feature_extraction_method(image).shape 为 (772,)。)

for filename in test_images:

    # read the image and resize it to a fixed-size
    img = cv2.imread(filename)
    img = cv2.resize(img, fixed_size)

    feature_vector = feature_extraction_method(img)
    prediction = clf.predict(feature_vector.reshape(-1, 1))
    cv2.putText(img, prediction, (20, 30), cv2.FONT_HERSHEY_TRIPLEX, .7 , (0, 255, 255), 2)
    plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    plt.show()   

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-71-2b8ff4146d8e> in <module>()
     19 
     20     feature_vector = feature_extraction_method(img)
---> 21     prediction = clf.predict(feature_vector.reshape(-1, 1))
     22     cv2.putText(img, prediction, (20, 30), cv2.FONT_HERSHEY_TRIPLEX, .7 , (0, 255, 255), 2)
     23     plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))

/anaconda3/lib/python3.6/site-packages/sklearn/svm/base.py in predict(self, X)
    546             Class labels for samples in X.
    547         """
--> 548         y = super(BaseSVC, self).predict(X)
    549         return self.classes_.take(np.asarray(y, dtype=np.intp))
    550 

/anaconda3/lib/python3.6/site-packages/sklearn/svm/base.py in predict(self, X)
    306         y_pred : array, shape (n_samples,)
    307         """
--> 308         X = self._validate_for_predict(X)
    309         predict = self._sparse_predict if self._sparse else self._dense_predict
    310         return predict(X)

/anaconda3/lib/python3.6/site-packages/sklearn/svm/base.py in _validate_for_predict(self, X)
    457             raise ValueError("X.shape[1] = %d should be equal to %d, "
    458                              "the number of features at training time" %
--> 459                              (n_features, self.shape_fit_[1]))
    460         return X
    461 

ValueError: X.shape[1] = 1 should be equal to 772, the number of features at training time 

Answer 1

您的代码有两个主要问题。

首先，您不需要在 for 循环的每次迭代中对整个测试集进行分类。一次预测一张图像的类标签就足够了:

    prediction = svm.clf.predict([testDataGlobal[index, :]])

请注意，testDataGlobal[index, :] 必须括在方括号 [ ] 中，因为 predict() 方法需要一个 2D 数组-类似变量。

第二，也是最重要的，让我们假设函数 glob 生成三个图像文件的列表，即 imgA.jpg、imgB.jpg 和 imgC.jpg，让我们将它们对应的特征向量表示为 featsA、featsB 和 featsC。为了使您的代码正常工作，testDataGlobal 必须按如下方式排列:

[featsA, 
 featsB, 
 featsC]

如果特征向量以不同的顺序排列，您可能会得到错误的结果。

您可以通过以下代码片段正确标记图像(未经测试):

test_images = glob.glob("dataset/test/*.jpg")

for filename in test_images:
    img = cv2.imread(filename)
    img = cv2.resize(img, fixed_size)
    feature_vector = your_feature_extraction_method(img)
    prediction = svm.clf.predict([feature_vector])
    cv2.putText(img, prediction[0], (20, 30), 
                cv2.FONT_HERSHEY_TRIPLEX, .7 , (0, 255, 255), 2)
    plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    plt.show()    

其中 your_feature_extraction_method() 代表使用图像并返回其特征向量(类似一维数组)的函数。

注意:不要忘记将 feature_vector 括在方括号 [ ] 中。您还可以使用以下任一方法将 feature_vector 的维度增加一维:

    prediction = svm.clf.predict(feature_vector[None, :])
    prediction = svm.clf.predict(feature_vector[np.newaxis, :])
    prediction = svm.clf.predict(np.atleast_2d(feature_vector))