会python真的可以为所欲为0(回)
356天前
这里还有人吗1(回)
541天前这里还有人吗0(回)
541天前
每天面对着电脑屏幕，敲打键盘。我所面对的并不只是代码，而是一种生活方式。0(回)
765天前到处都是羊，不想上班0(回)
845天前
鸽子
0(回)
850天前import cv2 |
#环境python3、opencv3 |
#导入需要使用的库 |
import numpy as np |
import matplotlib.pyplot as plt |
#读取npy文件 |
samples = np.load("animals.npy") |
labels = np.load("labels.npy") |
#将numpy数组转换为图像并显示出来 |
def show_image_plt(img_data): |
plt.imshow(img_data) |
plt.show() |
#显示出前10个图像 |
for i in range(10): |
show_image_plt(samples[i]) |
#定义样本特征工程并处理 |
samples_feature = [] |
for sample in samples: |
#用高斯滤波处理 |
sample = cv2.GaussianBlur(sample,(3,3),0,0) |
#用sobel算子进行边缘检测 |
sobel_x=cv2.Sobel(sample,cv2.CV_64F,1,0,ksize=3)#(图像，深度，x方向的阶数，y方向的阶数，卷积核大小) |
sobel_y=cv2.Sobel(sample,cv2.CV_64F,0,1,ksize=3) |
sobel_xy= np.sqrt(np.square(sobel_x)+np.square(sobel_y)) |
#将处理后的图像展平 |
sample_feature = np.reshape(sobel_xy,(-1)).tolist() |
samples_feature.append(sample_feature) |
#数据标准化 |
from sklearn.preprocessing import StandardScaler |
sc = StandardScaler() |
sc.fit_transform(samples_feature) |
#利用支持向量机构建分类模型 |
from sklearn import svm |
clf = svm.SVC() |
#用所有的样本数据进行模型训练 |
clf.fit(samples_feature,labels) |
#查看训练好的模型预测准确率 |
print("准确率:",clf.score(samples_feature,labels)) |
#预测新图像 |
test_sample = cv2.imread("test_animals.jpg") |
#用高斯滤波处理 |
test_sample = cv2.GaussianBlur(test_sample,(3,3),0,0) |
#用sobel算子进行边缘检测 |
sobel_x=cv2.Sobel(test_sample,cv2.CV_64F,1,0,ksize=3) |
sobel_y=cv2.Sobel(test_sample,cv2.CV_64F,0,1,ksize=3) |
sobel_xy= np.sqrt(np.square(sobel_x)+np.square(sobel_y)) |
#将处理后的图像展平 |
test_sample_feature = np.reshape(sobel_xy,(-1)) |
#用训练好的模型预测新图像 |
prediction = clf.predict([test_sample_feature]) |
print("预测结果：",prediction) |
