改进图像像素分类的方法

Posted 2023-03-12

【中文标题】改进图像像素分类的方法

【英文标题】：Ways to improve Image Pixel Classification

【发布时间】：2011-09-30 15:01:55

【问题描述】：

这是我们要解决的问题：

目标是将彩色图像的像素分为 3 个不同的类别。 我们有一组人工分类的数据用于训练目的 像素几乎不相互关联（每个像素都有各自的行为） - 因此最有可能的分类是针对每个单独的像素并基于其各自的特征。 大约 3 个类别可以映射到 RED、YELLOW 和 BLACK 颜色系列的颜色。 我们需要让系统半自动，即 3 个参数来控制出现 3 个结果的概率（用于最终的微调）

记住这一点：

您会选择哪种分类技术？ 您将使用哪些像素特征进行分类（RGB、Ycc、HSV 等）？ 您会选择哪些修改函数来在三个结果之间进行微调。

我的第一次尝试是基于

朴素贝叶斯分类器 HSV（也尝试过 RGB 和 Ycc） （未能找到合适的函数进行微调）

有什么建议吗？ 谢谢

【问题讨论】：

看起来你的类是线性可分的。如果是这样，您是否尝试过 NN 和 Boosting 等常见的训练方法？

【参考方案1】：

对于图像中的每个像素，尝试使用围绕该像素的 n x n 窗口的颜色直方图作为其特征。对于不同照明条件下的通用颜色匹配，我很幸运地使用了色调和饱和度的二维直方图，每个维度上的 bin 数量相对较少。根据您的照明一致性，您可能直接使用 RGB 值。

对于分类器，手动调整要求最容易使用 类权重 表示：指定假阴性与假阳性的相对成本的参数。我只将此功能用于 SVM，但我相信您可以找到支持类似概念的其他分类器的实现。

【讨论】：

一个像素周围的像素直方图，是不是系统功能太多了？那将是 100 个功能！我确定我在这里遗漏了一些东西

您可以通过更改直方图 bin 的大小来控制特征向量的大小。例如，如果您将色调和饱和度分别分成四个箱，您将只有十六个特征。根据算法的执行方式，您可以通过更改每个维度上的 bin 数量来调整性能/准确性权衡。