Я хочу применить фильтр Gabor для извлечения объекта из образа, а затем на подготовленные данные, которые я буду применять NN или SVM. Я не применял пакетную обработку, но это будет сделано, или если вы можете помочь мне с частью обучения в машине, это будет будь большой для меня. Благодарю вас. Вот мой код:
import cv2
import numpy as np
import glob
img=glob.glob("C://Users//USER//Pictures//Saved Pictures//tuhin.jpg")
img = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)[1]
ret, labels = cv2.connectedComponents(img)
label_hue = np.uint8(179*labels/np.max(labels))
blank_ch = 255*np.ones_like(label_hue)
labeled_img = cv2.merge([label_hue, blank_ch, blank_ch])
labeled_img = cv2.cvtColor(labeled_img, cv2.COLOR_HSV2BGR)
labeled_img[label_hue==0] = 0
cv2.imshow('labeled.png', labeled_img)
cv2.waitKey()
def build_filters():
filters = []
ksize = 31
for theta in np.arange(0, np.pi, np.pi / 16):
kern = cv2.getGaborKernel((ksize, ksize), 4.0, theta, 10.0, 0.5, 0,
ktype=cv2.CV_32F)
kern /= 1.5*kern.sum()
filters.append(kern)
return filters
def process(img, filters):
accum = np.zeros_like(img)
for kern in filters:
fimg = cv2.filter2D(img, cv2.CV_8UC3, kern)
np.maximum(accum, fimg, accum)
return accum
filters=build_filters()
res1=process(img,filters)
cv2.imshow('result',res1)
cv2.waitKey(0)
cv2.destroyAllWindows()
Я могу определить больше ядер, просто изменив такие параметры, как theta, lamda, частота и ориентация. Я могу создать фильтр фильтров Gabor, тогда я буду применять различные алгоритмы машинного обучения для классификации.
код после пакетной обработки:
import cv2
import os
import glob
import numpy as np
img_dir = "C://Users//USER//Pictures//Saved Pictures"
data_path = os.path.join(img_dir,'*g')
files = glob.glob(data_path)
data = []
for f1 in files:
img = cv2.imread(f1,0)
data.append(img)
img = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)[1]
ret, labels = cv2.connectedComponents(img)
label_hue = np.uint8(179*labels/np.max(labels))
blank_ch = 255*np.ones_like(label_hue)
labeled_img = cv2.merge([label_hue, blank_ch, blank_ch])
labeled_img = cv2.cvtColor(labeled_img, cv2.COLOR_HSV2BGR)
labeled_img[label_hue==0] = 0
cv2.imshow('labeled.png', labeled_img)
cv2.waitKey()
def build_filters():
filters = []
ksize = 31
for theta in np.arange(0, np.pi, np.pi / 16):
kern = cv2.getGaborKernel((ksize, ksize), 4.0, theta, 10.0, 0.5, 0, ktype=cv2.CV_32F)
kern /= 1.5*kern.sum()
filters.append(kern)
return filters
def process(img, filters):
accum = np.zeros_like(img)
for kern in filters:
fimg = cv2.filter2D(img, cv2.CV_8UC3, kern)
np.maximum(accum, fimg, accum)
return accum
filters=build_filters()
res1=process(img,filters)
cv2.imshow('result',res1)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.imwrite("checking.tif",res1)
Это хороший учебник по извлечению текстуры с использованием фильтра gabor с scikit-image: http://scikit-image.org/docs/0.11.x/auto_examples/plot_gabor.html. Вы можете взглянуть на него.
Возможно, вы захотите использовать глубокое обучение/передачу (в зависимости от того, сколько данных у вас есть), чтобы извлекать функции автоматически, а не вручную.