以下文章来源于小白学视觉 ，作者小白
图像分类是数据科学中最热门的领域之一，在本文中，我们将分享一些将图像转换为特征向量的技术，可以在每个分类模型中使用。
VATbox
VATbox，作为n一个我们所暗示的，涉及增值税问题（以及更多）的****世界的问题之一是，我想知道有多少****是一个形象？为了简化问题，我们将问一个二元问题，图像中是否有一张****或同一图像中有多张****？为什么不使用文本（例如TF-IDF）？为什么只使用图像像素作为输入？因此，有时我们没有可靠的OCR，有时OCR花费了我们金钱，我们不确定我们是否要使用它。.当然，对于本文来说，演示经典方法从图像中提取特征的力量。
import cv2 gray_image = cv2.imread(image_path, 0) img = image.load_img(image_path, target_size=(self.IMG_SIZE, self.IMG_SIZE))
缩小图像
想象一下，你们正在密切注视着图像，可以看到附近的像素。因此，如果我们的图像包含文本，则可以看到单词之间和行之间的白色像素。如果我们的意图是（至少在这种情况下）决定图像中是否有一张****，我们可以从一定距离看图像-这将有助于忽略图像中的“无聊”空白。
发布文章# scale parameter – the relative size of the reduced image after the reduction.
image_width = int(gray_image.shape[1] * scale_percent)
image_height = int(gray_image.shape[0] * scale_percent)
dim = (width, height)
gray_reduced_image = cv2.resize(gray_image, dim, interpolation=cv2.INTER_NEAREST)
cv2.imshow('image', resized)
cv2.waitKey(0)图像的熵
我们可以这样考虑-每个图像的多个****或单个****之间的差异可以转换为图像中的信息量，因此，我们可以期望每个类别中的平均熵得分不同。
其中n是灰度级的总和（8位图像为256），p是像素具有灰度级i的概率。
from sklearn.metrics.cluster import entropyentropy1 = entropy(gray_image) entropy2 = entropy(gray_reduced_image)
数据库扫描
Dbscan算法具有在图像空间中查找密集区域并将其分配给一个群集的能力。它的最大优点是它可以自行确定数据中的类数。我们将从dbscan模型创建3个功能：
类的数量（这里的假设是，类的数量过多将表明图像中的****数量众多）。
噪声像素的数量。
模型中的轮廓分数（轮廓分数衡量每个像素的分类程度，我们将取所有像素的平均轮廓分数）
from sklearn.cluster import DBSCAN
from sklearn import metrics
thr, imgage = cv2.threshold(gray_reduced_image, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
img_df = pd.DataFrame(img).unstack().reset_index().rename(columns={'level_0': 'y', 'level_1': 'x'})
img_df = img_df[img_df[0] == 0]X = image_df[['y', 'x']]
db = DBSCAN(eps=1, min_samples=5).fit(X)
# plt.scatter(image_df['y'], image_df['x'], c=db.labels_, s=3)
# plt.show(block=False)
core_samples_mask = np.zeros_like(db.labels_, dtype=bool)
core_samples_mask[db.core_sample_indices_] = True
labels = db.labels_
# Number of clusters in labels, ignoring noise if present.
n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0)
n_noise_ = list(labels).count(-1)
image_df['class'] = labels
# print('Estimated number of clusters: %d' % n_clusters_)
# print('Estimated number of noise points: %d' % n_noise_)
# print("Silhouette Coefficient: %0.3f" %
metrics.silhouette_score(image_df, labels))features = pd.Series([n_clusters_, n_noise_, metrics.silhouette_score(image_df, labels)])计算零点交叉
我们（灰度）图像中的每个像素的值都在0到255之间（在我们的示例中，零被视为白色，而255被视为黑色）。如果要计算“零”交叉，则需要对图像进行阈值处理—即设置一个值，以使较高的值将分类为255（黑色），而较低的值将分类为0（白色）。在我们的案例中，我使用了Otsu阈值。在执行图像阈值处理之后，我们将获得零和一作为像素，我们可以将其视为数据帧并将每一列和每一行相加：
现在，假设1代表文本区域（黑色像素），0代表空白区域（白色像素）。现在，我们可以计算每行/列总和从任何正数变为零的次数。
img = img / 255 df = pd.DataFrame(img)pixels_sum_dim1 = (1 - img_df).sum() pixels_sum_dim2 = (1 - img_df).T.sum() zero_corssings1 = pixels_sum_dim1[pixels_sum_dim1 == 0].reset_index()['index'].rolling(2).apply(np.diff).dropna() zero_corssings1 = zero_corssings1[zero_corssings1 != 1]num_zero1 = zero_corssings1.shape[0] zero_corssings2 = pixels_sum_dim2[pixels_sum_dim2 == 0].reset_index()['index'].rolling(2).apply(np.diff).dropna() zero_corssings2 = zero_corssings2[zero_corssings2 != 1] num_zero2 = zero_corssings2.shape[0]features = pd.Series([num_zero1, num_zero2])
归一化图像直方图
如果我们将图像视为信号，则可以使用信号处理工具箱中的一些工具。我们将使用重新采样的想法来创建更多功能。
怎么做？首先，我们需要将图像从矩阵转换为一维向量。其次，由于每个图像都有不同的形状，因此我们需要为所有图像设置一个重采样大小-在本例中。
使用插值，我们可以将信号表示为一个连续函数，然后我们将对其进行重新采样，采样之间的间隔为
其中x表示图像信号，C表示要重采样的点数。
from scipy.signal import resample dim1_normalized_hist = pd.Series(resample(df.sum(), 16)) dim2_normalized_hist = pd.Series(resample(df.T.sum(), 16)) print(dim1_normalized_hist) print(dim2_normalized_hist)
DCT-离散余弦变换
离散余弦变换（DCT）用在不同频率振荡的余弦函数之和表示数据点的有限序列。DCT与DFT（离散傅立叶变换）不同，只有实部。DCT，尤其是DCT-II，通常用于信号和图像处理，尤其是用于有损压缩，因为它具有强大的“能量压缩”特性。在典型的应用中，大多数信号信息倾向于集中在DCT的几个低频分量中。我们可以在图像和转置图像上计算DCT向量，并取前k个元素。
from scipy.fftpack import dct dim1_dct = pd.Series(dct(df.sum())[0:8]).to_frame().T dim2_dct = pd.Series(dct(df.T.sum())[0:8]).to_frame().T dim1_normalize_dct = pd.Series(normalize(dim1_dct)[0].tolist()) dim2_normalize_dct = pd.Series(normalize(dim2_dct)[0].tolist()) print(dim1_normalize_dct) print(dim2_normalize_dct)
结论
如今，CNN的使用正在增长，在本文中，我们试图解释和演示一些以老式方式从图像创建特征的经典方法，了解图像处理的基础是一种很好的做法，因为有时它更容易比将其推入网中更准确。本文是对图像的处理以及如何使用像素并从像素中提取知识的介绍，也许是对大脑的刺激。
*博客内容为网友个人发布，仅代表博主个人观点，如有侵权请联系工作人员删除。
