应用支持向量机（SVM）实现图像分类—

应用支持向量机（SVM）实现图像分类——Python

文章目录

1.代码运行
2.注意事项
3.代码分析
4.源代码

1.代码运行

输入 1 测试一张图片并预测结果
输入 2 对测试集整体进行测试，得出准确率（2分钟左右）
输入其他数字自动退出程序

2.注意事项

本程序包含python库较多，请自行配置（pip），如有需求，请评论或私信！
回复其他数字会自动退出程序
输入图片要求是28*28像素
模型训练大概需要5分钟，请耐心等候！
本代码使用本地MNIST数据库，请将代码放至合适位置（同目录下有raw文件夹，文件夹内有以下四个文件）

3.代码分析

加载MNIST数据库

def load_mnist_train(path, kind='train'):labels_path = os.path.join(path, '%s-labels.idx1-ubyte' % kind)images_path = os.path.join(path, '%s-images.idx3-ubyte' % kind)with open(labels_path, 'rb') as lbpath:magic, n = struct.unpack('>II', lbpath.read(8))# >II表示以大端模式读取2个int，大端模式是指二进制中最高位在左边。labels = np.fromfile(lbpath, dtype=np.uint8)with open(images_path, 'rb') as imgpath:magic, num, rows, cols = struct.unpack('>IIII', imgpath.read(16))images = np.fromfile(imgpath, dtype=np.uint8).reshape(len(labels), 784)return images, labelsdef load_mnist_test(path, kind='t10k'):labels_path = os.path.join(path, '%s-labels.idx1-ubyte' % kind)images_path = os.path.join(path, '%s-images.idx3-ubyte' % kind)with open(labels_path, 'rb') as lbpath:magic, n = struct.unpack('>II', lbpath.read(8))labels = np.fromfile(lbpath, dtype=np.uint8)with open(images_path, 'rb') as imgpath:magic, num, rows, cols = struct.unpack('>IIII', imgpath.read(16))images = np.fromfile(imgpath, dtype=np.uint8).reshape(len(labels), 784)return images, labels

2.训练模型


def creat_model():if not os.path.exists('HW.model'):# 标准化X = preprocessing.StandardScaler().fit_transform(train_images)X_train = X[0:60000]y_train = train_labels[0:60000]# 模型训练print(time.strftime('%Y-%m-%d %H:%M:%S'))print('开始训练模型,大概需要5分钟，请耐心等候！！！')model_svc = svm.SVC()model_svc.fit(X_train, y_train)print(time.strftime('%Y-%m-%d %H:%M:%S'))joblib.dump(model_svc, 'HW.model')else:print(time.strftime('%Y-%m-%d %H:%M:%S'))print('已经存在model文件')

3.测试单张和多张


def Test_one(imgPath,modelPath):model_svc=modelPathimage = preprocessing.StandardScaler().fit_transform(np.array(Image.open(imgPath).convert('L'), dtype=np.uint8))print('预测结果是：', model_svc.predict([image.reshape(-1), image.reshape(-1)])[0], '\n')def Test_all():model_svc = joblib.load('HW.model')# 评分并预测x = preprocessing.StandardScaler().fit_transform(test_images)x_test = x[0:10000]y_pred = test_labels[0:10000]print(model_svc.score(x_test, y_pred))y = model_svc.predict(x_test)

4.主程序

if __name__ == '__main__':print('本程序会默认加载测试集、训练集与模型，只需将四个文件置于raw文件夹即可，模型文件会生成在本文件同目录下')train_images, train_labels = load_mnist_train(path)test_images, test_labels = load_mnist_test(path)creat_model()print('数字格式为28*28像素，路径没有要求!!!')print('回复数字1为测试一张图片，回复数字2为测试测试集准确率，回复其他数字自动退出程序！！！\n')while 1:ans = eval(input('测试一张(1)还是测试集准确率(2):'))if ans == 1:modelPath = joblib.load('HW.model') # 模型文件会生成在本文件同目录下不需要选择，这里Path默认直接加载模型root = tk.Tk()root.withdraw()print('请选择测试图片')imgPath = filedialog.askopenfilename()Test_one(imgPath,modelPath)elif ans == 2:Test_all()else:exit()

4.源代码

#!/usr/bin/env python
# -*- coding:utf-8 -*-
# @FileName  :HW5.py
# @Time      :2023/4/8 22:56
# @Author    :YKW
import struct
import os
import time
import joblib
import numpy as np
import tkinter as tk
from tkinter import filedialog
from PIL import Image
from sklearn import svm
from sklearn import preprocessingpath = './raw/'  # MNIST源文件目录def load_mnist_train(path, kind='train'):labels_path = os.path.join(path, '%s-labels.idx1-ubyte' % kind)images_path = os.path.join(path, '%s-images.idx3-ubyte' % kind)with open(labels_path, 'rb') as lbpath:magic, n = struct.unpack('>II', lbpath.read(8))# >II表示以大端模式读取2个int，大端模式是指二进制中最高位在左边。labels = np.fromfile(lbpath, dtype=np.uint8)with open(images_path, 'rb') as imgpath:magic, num, rows, cols = struct.unpack('>IIII', imgpath.read(16))images = np.fromfile(imgpath, dtype=np.uint8).reshape(len(labels), 784)return images, labelsdef load_mnist_test(path, kind='t10k'):labels_path = os.path.join(path, '%s-labels.idx1-ubyte' % kind)images_path = os.path.join(path, '%s-images.idx3-ubyte' % kind)with open(labels_path, 'rb') as lbpath:magic, n = struct.unpack('>II', lbpath.read(8))labels = np.fromfile(lbpath, dtype=np.uint8)with open(images_path, 'rb') as imgpath:magic, num, rows, cols = struct.unpack('>IIII', imgpath.read(16))images = np.fromfile(imgpath, dtype=np.uint8).reshape(len(labels), 784)return images, labelsdef creat_model():if not os.path.exists('HW.model'):# 标准化X = preprocessing.StandardScaler().fit_transform(train_images)X_train = X[0:60000]y_train = train_labels[0:60000]# 模型训练print(time.strftime('%Y-%m-%d %H:%M:%S'))print('开始训练模型,大概需要5分钟，请耐心等候！！！')model_svc = svm.SVC()model_svc.fit(X_train, y_train)print(time.strftime('%Y-%m-%d %H:%M:%S'))joblib.dump(model_svc, 'HW.model')else:print(time.strftime('%Y-%m-%d %H:%M:%S'))print('已经存在model文件')def Test_one(imgPath,modelPath):model_svc=modelPathimage = preprocessing.StandardScaler().fit_transform(np.array(Image.open(imgPath).convert('L'), dtype=np.uint8))print('预测结果是：', model_svc.predict([image.reshape(-1), image.reshape(-1)])[0], '\n')def Test_all():model_svc = joblib.load('HW.model')# 评分并预测x = preprocessing.StandardScaler().fit_transform(test_images)x_test = x[0:10000]y_pred = test_labels[0:10000]print(model_svc.score(x_test, y_pred))y = model_svc.predict(x_test)if __name__ == '__main__':print('本程序会默认加载测试集、训练集与模型，只需将四个文件置于raw文件夹即可，模型文件会生成在本文件同目录下')train_images, train_labels = load_mnist_train(path)test_images, test_labels = load_mnist_test(path)creat_model()print('数字格式为28*28像素，路径没有要求!!!')print('回复数字1为测试一张图片，回复数字2为测试测试集准确率，回复其他数字自动退出程序！！！\n')while 1:ans = eval(input('测试一张(1)还是测试集准确率(2):'))if ans == 1:modelPath = joblib.load('HW.model') # 模型文件会生成在本文件同目录下不需要选择，这里Path默认直接加载模型root = tk.Tk()root.withdraw()print('请选择测试图片')imgPath = filedialog.askopenfilename()Test_one(imgPath,modelPath)elif ans == 2:Test_all()else:exit()

应用支持向量机（SVM）实现图像分类——Python相关推荐

python图像分类_关于使用SVM进行图像分类：使用SVM进行图像分类-Python
我有一组图像分为高质量图像和劣质图像. 我必须训练一个分类模型,以便可以将任何新图像分类为好/坏. SVM似乎是执行此操作的最佳方法. 我已经在MATLAB中完成了图像处理,但没有在python中完成 ...
深度学习-机器学习(5.2支持向量机SVM上的Python应用)
1.简单的应用,(用前两节的例子) 直接上代码: from sklearn import svm x = [[2,0],[1,1],[2,3]]#定义三个点 y = [0,0,1] #(class l ...
Python，OpenCV基于支持向量机SVM的手写数字OCR
Python,OpenCV基于支持向量机SVM的手写数字OCR 1. 效果图 2. SVM及原理 2. 源码 2.1 SVM的手写数字OCR 2.2 非线性SVM 参考上一节介绍了基于KNN的手写数 ...
python向量机使用方法_Python中支持向量机SVM的使用方法详解
除了在Matlab中使用PRTools工具箱中的svm算法,Python中一样可以使用支持向量机做分类.因为Python中的sklearn库也集成了SVM算法,本文的运行环境是Pycharm. 一.导 ...
Python中的支持向量机SVM的使用（有实例项目给的地址）
除了在Matlab中使用PRTools工具箱中的svm算法,Python中一样可以使用支持向量机做分类.因为Python中的sklearn库也集成了SVM算法,本文的运行环境是Pycharm. 一.导 ...
Python中的支持向量机SVM的使用（有实例有源码）
转自:http://www.cnblogs.com/luyaoblog/p/6775342.html 除了在Matlab中使用PRTools工具箱中的svm算法,Python中一样可以使用支持向量机做 ...
机器学习之支持向量机SVM之python实现ROC曲线绘制（二分类和多分类）
目录一.ROC曲线二.TP.FP.TN.FN 三. python绘制ROC曲线(二分类) 1.思路 2.关键代码 3.完整代码四. python绘制ROC曲线(多分类) 五.参考文献一.ROC ...
python支持向量机回归_Python中支持向量机SVM的使用方法详解
除了在Matlab中使用PRTools工具箱中的svm算法,Python中一样可以使用支持向量机做分类.因为Python中的sklearn库也集成了SVM算法,本文的运行环境是Pycharm. 一.导 ...
支持向量机python代码_Python中的支持向量机SVM的使用（有实例）
除了在Matlab中使用PRTools工具箱中的svm算法,Python中一样可以使用支持向量机做分类.因为Python中的sklearn库也集成了SVM算法,本文的运行环境是Pycharm. 一.导 ...

应用支持向量机（SVM）实现图像分类——Python

文章目录

1.代码运行

2.注意事项

3.代码分析

4.源代码

应用支持向量机（SVM）实现图像分类——Python相关推荐

最新文章

热门文章