火炉炼AI机器学习051-视觉词袋模型+极端随机森林建立图像分类器

Posted raydean

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了火炉炼AI机器学习051-视觉词袋模型+极端随机森林建立图像分类器相关的知识,希望对你有一定的参考价值。

【火炉炼AI】机器学习051-视觉词袋模型+极端随机森林建立图像分类器

(本文所使用的Python库和版本号: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2 )

视觉词袋模型(Bag Of Visual Words,BOVW)来源于自然语言处理中的词袋模型(Bag Of Words, BOW),关于词袋模型,可以参考我的博文【火炉炼AI】机器学习038-NLP创建词袋模型.在NLP中,BOW的核心思想是将一个文档当做一个袋子,里面装着各种各样的单词,根据单词出现的频次或权重来衡量某个单词的重要性。BOW的一个重要特性是不考虑单词出现的顺序,句子语法等因素。

视觉词袋模型BOVW是将BOW的核心思想应用于图像处理领域的一种方法,为了表示一幅图像,我们可以将图像看做文档,即若干个“视觉单词”的集合,和BOW一样,不考虑这些视觉单词出现的顺序,故而BOVW的一个缺点是忽视了像素之间的空间位置信息(当然,针对这个缺点有很多改进版本)。BOVW的核心思想可以从下图中看出一二。

技术分享图片

有人要问了,提取图像的特征方法有很多,比如SIFT特征提取器,Star特征提取器等,为什么还要使用BOVW模型来表征图像了?因为SIFT,Star这些特征提取器得到的特征矢量是多维的,比如SIFT矢量是128维,而且一幅图像通常会包含成百上千个SIFT矢量,在进行下游机器学习计算时,这个计算量非常大,效率很低,故而通常的做法是用聚类算法对这些特征矢量进行聚类,然后用聚类中的一个簇代表BOVW中的一个视觉单词,将同一幅图像的SIFT矢量映射到视觉视觉单词序列,生成视觉码本,这样,每一幅图像都可以用一个视觉码本矢量来描述,在后续的计算中,效率大大提高,有助于大规模的图像检索。

关于BOVW的更详细描述,可以参考博文:视觉词袋模型BOW学习笔记及matlab编程实现


1. 使用BOVW建立图像数据集

BOVW主要包括三个关键步骤:

1,提取图像特征:提取算法可以使用SIFT,Star,HOG等方法,比如使用SIFT特征提取器,对数据集中的每一幅图像都使用SIFT后,每一个SIFT特征用一个128维描述特征向量表示,假如有M幅图像,一共提取出N个SIFT特征向量。

2,聚类得到视觉单词:最常用的是K-means,当然可以用其他聚类算法,使用聚类对N个SIFT特征向量进行聚类,K-means会将N个特征向量分成K个簇,使得每个簇内部的特征向量都具有非常高的相似度,而簇间的相似度较低,聚类后会得到K个聚类中心(在BOVW中,聚类中心被称为视觉单词)。计算每一幅图像的每一个SIFT特征到这K个视觉单词的距离,并将其映射到距离最近的一个簇中(即该视觉单词的对应词频+1)。这样,每一幅图像都变成了一个与视觉单词相对应的词频矢量。

3,构建视觉码本:因为每一幅图像的SIFT特征个数不相等,所以需要对这些词频矢量进行归一化,将每幅图像的SIFT特征个数变为频数,这样就得到视觉码本。

整个流程可以简单地用下图描述:

技术分享图片

下面开始准备数据集,首先从Caltech256图像抽取3类,每一类随机抽取20张图片,组成一个小型数据集,每一个类别放在一个文件夹中,且文件夹的命名以数字和“-”开头,数字就表示类别名称。这个小数据集纯粹是验证算法是否能跑通。如下为准备的数据集:

技术分享图片

首先来看第一步的代码:提取图像特征的代码:

def __img_sift_features(self,image):
    ‘‘‘
    提取图片image中的Star特征的关键点,然后用SIFT特征提取器进行计算,
    得到N行128列的矩阵,每幅图中提取的Star特征个数不一样,故而N不一样,
    但是经过SIFT计算之后,特征的维度都变成128维。
    返回该N行128列的矩阵
    ‘‘‘
    keypoints=xfeatures2d.StarDetector_create().detect(image)
    gray=cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    _,feature_vectors=xfeatures2d.SIFT_create().compute(gray,keypoints)
    return feature_vectors

然后将得到的所有图片的N行128列特征集合起来,组成M行128列特征,构建一个聚类算法,用这个算法来映射得到含有32个聚类中心(视觉单词)的模型,将这128列特征映射到32个视觉单词中(由于此处Kmeans我使用32个簇,故而得到32个视觉单词,越复杂的项目,这个值要调整的越大,从几百到几千不等。),在统计每一个特征出现的频次,组成一个词袋模型,如下代码:

def __map_feature_to_cluster(self,img_path):
    ‘‘‘从单张图片中提取Star特征矩阵(N行128列),
    再将该特征矩阵通过K-means聚类算法映射到K个类别中,每一行特征映射到一个簇中,得到N个簇标号的向量,
    统计每一个簇中出现的特征向量的个数,相当于统计词袋中某个单词出现的频次。
    ‘‘‘
    img_feature_vectors=self.__img_sift_features(self.__get_image(img_path)) # N 行128列
    cluster_labels=self.cluster_model.predict(img_feature_vectors) 
    # 计算这些特征在K个簇中的类别,得到N个数字,每个数字是0-31中的某一个,代表该Star特征属于哪一个簇
    # eg [30 30 30  6 30 30 23 25 23 23 30 30 16 17 31 30 30 30  4 25]
    
    # 统计每个簇中特征的个数
    vector_nums=np.zeros(self.clusters_num) # 32个元素
    for num in cluster_labels:
        vector_nums[num]+=1
    
    # 将特征个数归一化处理:得到百分比而非个数
    sum_=sum(vector_nums)
    return [vector_nums/sum_] if sum_>0 else [vector_nums] # 一行32列,32 个元素组成的list

上面仅仅是用一部分图片来得到聚类中心,没有用全部的图像,因为部分图像完全可以代表全部图像。

第三步:获取多张图片的视觉码本,将这些视觉码本组成一个P行32列的矩阵。

def __calc_imgs_clusters(self,img_path_list):
    ‘‘‘获取多张图片的视觉码本,将这些视觉码本组成一个P行32列的矩阵,P是图片张数,32是聚类的类别数。
    返回该P行32列的矩阵‘‘‘
    img_paths=list(itertools.chain(*img_path_list)) # 将多层list展开
    code_books=[]
    [code_books.extend(self.__map_feature_to_cluster(img_path)) for img_path in img_paths]
    return code_books

完整的准备数据集的代码比较长,如下:

# 准备数据集
import cv2,itertools,pickle,os
from cv2 import xfeatures2d
from glob import glob

class DataSet:
    
    def __init__(self,img_folder,cluster_model_path,img_ext=‘jpg‘,max_samples=12,clusters_num=32):
        self.img_folder=img_folder
        self.cluster_model_path=cluster_model_path
        self.img_ext=img_ext
        self.max_samples=max_samples
        self.clusters_num=clusters_num
        self.img_paths=self.__get_img_paths()
        self.all_img_paths=[list(item.values())[0] for item in self.img_paths]
        self.cluster_model=self.__load_cluster_model()
            
    def __get_img_paths(self):
        folders=glob(self.img_folder+‘/*-*‘) # 由于图片文件夹的名称是数字+‘-’开头,故而可以用这个来获取
        img_paths=[]
        for folder in folders:
            class_label=folder.split(‘\\‘)[-1]
            img_paths.append({class_label:glob(folder+‘/*.‘+self.img_ext)}) 
            # 每一个元素都是一个dict,key为文件夹名称,value为该文件夹下所有图片的路径组成的list
        return img_paths
    
    def __get_image(self,img_path,new_size=200):
        def resize_img(image,new_size):
            ‘‘‘将image的长或宽中的最小值调整到new_size‘‘‘
            h,w=image.shape[:2]
            ratio=new_size/min(h,w)
            return cv2.resize(image,(int(w*ratio),int(h*ratio)))
        
        image=cv2.imread(img_path)
        return resize_img(image,new_size)
    
    def __img_sift_features(self,image):
        ‘‘‘
        提取图片image中的Star特征的关键点,然后用SIFT特征提取器进行计算,
        得到N行128列的矩阵,每幅图中提取的Star特征个数不一样,故而N不一样,
        但是经过SIFT计算之后,特征的维度都变成128维。
        返回该N行128列的矩阵
        ‘‘‘
        keypoints=xfeatures2d.StarDetector_create().detect(image)
        gray=cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
        _,feature_vectors=xfeatures2d.SIFT_create().compute(gray,keypoints)
        return feature_vectors
    
    def __calc_imgs_features(self,img_path_list):
        ‘‘‘获取多张图片的特征矢量,这些特征矢量是合并到一起的,最终组成M行128列的矩阵,返回该矩阵.
        此处的M是每张图片的特征矢量个数之和,即N1+N2+N3....‘‘‘
        img_paths=list(itertools.chain(*img_path_list)) # 将多层list展开
        feature_vectors=[]
        [feature_vectors.extend(self.__img_sift_features(self.__get_image(img_path))) for img_path in img_paths]
        return feature_vectors
    
    def __create_save_Cluster(self):
        ‘‘‘由于folders中含有大量图片,故而取一小部分(max_samples)图片来做K-means聚类。
        ‘‘‘
        # 获取要进行聚类的小部分图片的路径
        cluster_img_paths=[list(item.values())[0][:self.max_samples] for item in self.img_paths]
        feature_vectors=self.__calc_imgs_features(cluster_img_paths)
        cluster_model = KMeans(self.clusters_num,  # 建立聚类模型
                        n_init=10,
                        max_iter=10, tol=1.0)
        cluster_model.fit(feature_vectors) # 对聚类模型进行训练
        # 将聚类模型保存,以后就不需要再训练了。
        with open(self.cluster_model_path,‘wb+‘) as file:
            pickle.dump(cluster_model,file)
        print(‘cluster model is saved to {}.‘.format(self.cluster_model_path))
        return cluster_model
    
    def __map_feature_to_cluster(self,img_path):
        ‘‘‘从单张图片中提取Star特征矩阵(N行128列),
        再将该特征矩阵通过K-means聚类算法映射到K个类别中,每一行特征映射到一个簇中,得到N个簇标号的向量,
        统计每一个簇中出现的特征向量的个数,相当于统计词袋中某个单词出现的频次。
        ‘‘‘
        img_feature_vectors=self.__img_sift_features(self.__get_image(img_path)) # N 行128列
        cluster_labels=self.cluster_model.predict(img_feature_vectors) 
        # 计算这些特征在K个簇中的类别,得到N个数字,每个数字是0-31中的某一个,代表该Star特征属于哪一个簇
        # eg [30 30 30  6 30 30 23 25 23 23 30 30 16 17 31 30 30 30  4 25]
        
        # 统计每个簇中特征的个数
        vector_nums=np.zeros(self.clusters_num) # 32个元素
        for num in cluster_labels:
            vector_nums[num]+=1
        
        # 将特征个数归一化处理:得到百分比而非个数
        sum_=sum(vector_nums)
        return [vector_nums/sum_] if sum_>0 else [vector_nums] # 一行32列,32 个元素组成的list
    
    def __calc_imgs_clusters(self,img_path_list):
        ‘‘‘获取多张图片的视觉码本,将这些视觉码本组成一个P行32列的矩阵,P是图片张数,32是聚类的类别数。
        返回该P行32列的矩阵‘‘‘
        img_paths=list(itertools.chain(*img_path_list)) # 将多层list展开
        code_books=[]
        [code_books.extend(self.__map_feature_to_cluster(img_path)) for img_path in img_paths]
        return code_books
    
    def __load_cluster_model(self):
        ‘‘‘从cluster_model_path中加载聚类模型,返回该模型,如果不存在或出错,则调用函数准备聚类模型‘‘‘
        cluster_model=None
        if os.path.exists(self.cluster_model_path):
            try:
                with open(self.cluster_model_path, ‘rb‘) as f:
                    cluster_model = pickle.load(f)
            except:
                pass
        if cluster_model is None: 
            print(‘No valid model found, start to prepare model...‘)
            cluster_model=self.__create_save_Cluster()
        return cluster_model
    
    def get_img_code_book(self,img_path):
        ‘‘‘获取单张图片的视觉码本,即一行32列的list,每个元素都是对应特征出现的频率‘‘‘
        return self.__map_feature_to_cluster(img_path)
    def get_imgs_code_books(self,img_path_list):
        ‘‘‘获取多张图片的视觉码本,即P行32列的list,每个元素都是对应特征出现的频率‘‘‘
        return self.__calc_imgs_clusters(img_path_list)
    def get_all_img_code_books(self):
        ‘‘‘获取img_folder中所有图片的视觉码本‘‘‘
        return self.__calc_imgs_clusters(self.all_img_paths)
    def get_img_labels(self):
        ‘‘‘获取img_folder中所有图片对应的label,可以从文件夹名称中获取‘‘‘
        img_paths=list(itertools.chain(*self.all_img_paths)) 
        return [img_path.rpartition(‘-‘)[0].rpartition(‘\\‘)[2] for img_path in img_paths]  
    def prepare_dataset(self):
        ‘‘‘获取img_folder中所有图片的视觉码本和label,构成数据集‘‘‘
        features=self.get_all_img_code_books()
        labels=self.get_img_labels()
        return np.c_[features,labels]


2. 使用极端随机森林建立模型

极端随机森林是随机森林算法的一个提升版本,可以参考我以前的文章【火炉炼AI】机器学习007-用随机森林构建共享单车需求预测模型.使用方法和随机森林几乎一样。

# 极端随机森林分类器
from sklearn.ensemble import ExtraTreesClassifier

class CLF_Model:
    
    def __init__(self,n_estimators=100,max_depth=16):
        self.model=ExtraTreesClassifier(n_estimators=n_estimators, 
                max_depth=max_depth, random_state=12)
    def fit(self,train_X,train_y):
        self.model.fit(train_X,train_y)
    def predict(self,newSample_X):
        return self.model.predict(newSample_X)

其实,这个分类器很简单,没必要写成类的形式。

对该分类器进行训练:

dataset_df=pd.read_csv(‘./prepared_set.txt‘,index_col=[0])
dataset_X,dataset_y=dataset_df.iloc[:,:-1].values,dataset_df.iloc[:,-1].values
model=CLF_Model()
model.fit(dataset_X,dataset_y)


3. 使用训练后模型预测新样本

如下,我随机测试三张图片,均得到了比较好的结果。

# 用训练好的model预测新图片,看看它属于哪一类
new_img1=‘E:PyProjectsDataSetFireAI/test0.jpg‘
img_code_book=dataset.get_img_code_book(new_img1)
predicted=model.predict(img_code_book)
print(predicted)

new_img2=‘E:PyProjectsDataSetFireAI/test1.jpg‘
img_code_book=dataset.get_img_code_book(new_img2)
predicted=model.predict(img_code_book)
print(predicted)

new_img3=‘E:PyProjectsDataSetFireAI/test2.jpg‘
img_code_book=dataset.get_img_code_book(new_img3)
predicted=model.predict(img_code_book)
print(predicted)

-------------------------------------输---------出--------------------------------

[0]
[1]
[2]

--------------------------------------------完-------------------------------------

########################小**********结###############################

1,这个项目的难点在于视觉词袋模型的理解和数据集准备,所以我将其写成了类的形式,这个类具有一定的通用性,可以用于其他项目数据集的制备。

2,从这个项目可以看出视觉词袋模型相对于原始的Star特征的优势:如果使用原来的Star特征,一张图片会得到N行128列的特征数,而使用了BOVW模型,我们将N行128列的特征数据映射到1行32列的空间中,所以极大的降低了特征数,使得模型简化,训练和预测效率提高。

3,一旦准备好了数据集,就可以用各种常规的机器学习分类器进行分类,也可以用各种方法评估该分类器的优劣,比如性能报告,准确率,召回率等,由于这部分我在前面的文章中已经讲过多次,故而此处省略。

#################################################################


注:本部分代码已经全部上传到(我的github)上,欢迎下载。

参考资料:

1, Python机器学习经典实例,Prateek Joshi著,陶俊杰,陈小莉译







以上是关于火炉炼AI机器学习051-视觉词袋模型+极端随机森林建立图像分类器的主要内容,如果未能解决你的问题,请参考以下文章

火炉炼AI机器学习017-使用GridSearch搜索最佳参数组合

火炉炼AI机器学习046-图像边缘的检测方法

火炉炼AI机器学习016-如何知道SVM模型输出类别的置信度

火炉炼AI机器学习006-用决策树回归器构建房价评估模型

火炉炼AI机器学习019-项目案例:使用SVM回归器估算交通流量

火炉炼AI机器学习036-NLP词形还原