溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
前面一篇文章有說過，利用scrapy來爬取圖片，是為了對圖片數據進行分類而收集數據。
本篇文章就是利用上次爬取的圖片數據，根據圖片的顏色特征來做一個簡單的分類處理。
實現步驟如下：
1：圖片路徑添加
2：對比度處理
3：濾波處理
4：數據提取以及特征向量化
5：圖片分類處理
6：根據處理結果將圖片分類保存
代碼量中等，還可以更少，只是我為了練習類的使用，而將每個步驟都封裝成了一個獨立的類，當然里面也有類繼承的問題，遇到的問題前面一篇文章有講解。內容可能有點繁瑣，尤其是文件和路徑的使用（可以自己修改），已經盡量優化代碼了。
爬取的原始數據如下：
直接上代碼：
import os
import numpy as np
import skimage
import matplotlib.pyplot as plt
from skimage import io #讀取圖片
from skimage import exposure #調用調對比度的方法 rescale_intensity、equalize_hist
from skimage.filters import gaussian #高斯
from skimage import img_as_float #圖片unit8類型到float
from scipy.cluster.vq import kmeans,vq,whiten #聚類算法
import shutil #文件夾內容刪除
class Path(object):
def __init__(self):
self.path = r"D:\PYscrapy\get_lixiaoran\picture"
self.pathlist = [] #原始圖片列表
self.page = 0
def append(self): #將每張圖片的路徑加載到列表中
much = os.listdir(self.path)
for i in range(len(much)):
repath = os.path.join(self.path,str(self.page)+'.jpg')
self.page +=1
self.pathlist.append(repath)
return self.pathlist
class Contrast(object):
def __init__(self,pathlist):
self.pathlist = pathlist
self.contrastlist = [] #改變對比度之后的圖片列表
self.path3 = r"D:\PYscrapy\get_lixiaoran\picture2"
self.page2 = 0
def balance(self): #將每張圖片進行對比度的處理，兩種方式 1：均衡化 2：從某個值開始取極值
if os.path.exists(self.path3) == False:
os.mkdir(self.path3)
# for lis in self.pathlist:
# data = skimage.io.imread(lis)
# equalized = exposure.equalize_hist(data) #方法一這里使用個人人為更好的均衡化處理對比度的方法
# self.contrastlist.append(equalized)
for lis in self.pathlist:
data = skimage.io.imread(lis)
high_contrast = exposure.rescale_intensity(data,in_range=(20,220)) #方法二 以20和220取兩端極值
self.contrastlist.append(high_contrast)
for img in self.contrastlist:
repath = os.path.join(self.path3,str(self.page2)+'.jpg') #保存修改后的圖片
skimage.io.imsave(repath,img)
self.page2 +=1
class Filter(Contrast):
def __init__(self,pathlist):
super().__init__(pathlist)
self.path41 = self.path3
self.path42 = r"D:\PYscrapy\get_lixiaoran\picture3"
self.page3 = 0
self.filterlist = []
def filte_r(self):
img = os.listdir(self.path41) #讀取文件內容
if os.path.exists(self.path42) == False:
os.mkdir(self.path42)
for lis in range(len(img)): #循環做每張圖片的高斯過濾
path = os.path.join(self.path41,str(lis)+r'.jpg')
img = skimage.io.imread(path)
gas = gaussian(img,sigma=3) #multichannel=False 去掉顏色2D
self.filterlist.append(gas)
path_gas = os.path.join(self.path42,str(self.page3)+r'.jpg')
skimage.io.imsave(path_gas,gas)
self.page3 +=1
return self.path42
class Vectoring(object):
def __init__(self,filter_path):
self.path51 = filter_path
self.diff = []
self.calculate = []
def vector(self):
numbers = os.listdir(self.path51) #獲取文件夾內容
os.chdir(self.path51) #切換路徑
for i in range(len(numbers)):
self.diff.append([])
for j in range(4):
self.diff[i].append([]) #diff[[number],[img_float],[bin_centers],[hist]]
for cnt,number in enumerate(numbers):
img_float = img_as_float(skimage.io.imread(number)) #將圖像ndarry nint8->float
hist,bin_centers = exposure.histogram(img_float,nbins=10) #取圖像的 每個區間的像素值 分隔區間
self.diff[cnt][0] = number
self.diff[cnt][1] = img_float
self.diff[cnt][2] = bin_centers #把數據添加到diff中
self.diff[cnt][3] = hist
for i,j in enumerate(self.diff): #使用hist和bin_centers相乘來降維,向量化
self.calculate.append([y*self.diff[i][3][x] for x,y in enumerate(self.diff[i][2])]) #這里可能需要理解一下，就是涉及的參數有點多
for i in range(len(self.diff)):
self.diff[i].append(self.calculate[i]) #將特征向量calculate也加入到diff中
return self.diff #diff[[number],[img_float],[bin_centers],[hist],[calculate]]
class Modeling(Vectoring):
def __init__(self,filter_path,K):
super().__init__(filter_path)
self.K = K
def model(self):
diff = self.vector()
calculate = []
for i in range(len(diff)):
calculate.append(diff[i][4])
spot = whiten(calculate) #這里使用scipy的k-means方法來對圖片進行分類
center,_ = kmeans(spot,self.K) #如果對scipy的k-means不熟悉，前面有專門的講解
cluster,_ = vq(spot,center)
return diff,cluster #獲得預測值
class Predicting(object):
def __init__(self,predicted_diff,predicted_cluster,K):
self.diff = predicted_diff
self.cluster = predicted_cluster
self.path52 = r'D:\PYscrapy\get_lixiaoran\picture4'
self.K = K
def predicted(self):
if os.path.exists(self.path52) == True:
much = shutil.rmtree(self.path52)
os.mkdir(self.path52)
else:
os.mkdir(self.path52)
os.chdir(self.path52)
for i in range(self.K): #創建K個文件夾
os.mkdir('classify{}'.format(i))
for i,j in enumerate(self.cluster):
skimage.io.imsave('classify{}\\{}'.format(j,self.diff[i][0]),self.diff[i][1]) #根據圖片的分類來將它們保存至對應的文件夾
if __name__=="__main__":
np.random.seed(10)
#文件路徑添加
start = Path()
pathlist = start.append()
#對比度類
second = Contrast(pathlist)
second.balance() #get改變對比度后的圖片個數
#高斯過濾
filte = Filter(pathlist)
filter_path = filte.filte_r()
#數據提取及向量化
vectoring = Vectoring(filter_path)
#K值的自定義
K = 3
#建模
modeling = Modeling(filter_path,K)
predicted_diff,predicted_cluster = modeling.model()
#預測
predicted = Predicting(predicted_diff,predicted_cluster,K)
predicted.predicted()
文件如下：
（K=3）分類如下（picrure4）：
白色的基本在一類
黑色的基本一類
分類出來的圖片比較模糊是因為，我分類的是處理過后的圖片，并非原圖。
其實仔細看效果還是有的，就是確實不是太明顯，圖片的內容還是有點復雜的。大體的框架已經有了，只是優化的問題，調整優化，以及向量特征化的處理，就能得到更好的結果。或者使用一些更好的處理方式，我這里只是簡單的使用了幾種常見的圖片處理方式，所以效果一般。
這里的類有點多，從上到下是類的順序，所以一步步看還是不復雜的。如果有什么好的建議可以分享一下。
以上這篇python數據處理 根據顏色對圖片進行分類的方法就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持億速云。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
