在python中通过其相似性进行图像聚类
Posted
技术标签:
【中文标题】在python中通过其相似性进行图像聚类【英文标题】:Image clustering by its similarity in python 【发布时间】:2016-12-31 14:17:35 【问题描述】:我有一组照片,我想区分相似照片的集群。图像的哪些特征以及我应该使用哪种算法来解决我的任务?
【问题讨论】:
【参考方案1】:我遇到了同样的问题,我想出了这个解决方案:
-
使用 Keras 导入预训练模型(此处为 VGG16)
提取每张图片的特征
做kmeans
使用集群标签复制导出
这是我的代码,部分原因是 this post。
from keras.preprocessing import image
from keras.applications.vgg16 import VGG16
from keras.applications.vgg16 import preprocess_input
import numpy as np
from sklearn.cluster import KMeans
import os, shutil, glob, os.path
from PIL import Image as pil_image
image.LOAD_TRUNCATED_IMAGES = True
model = VGG16(weights='imagenet', include_top=False)
# Variables
imdir = 'C:/indir/'
targetdir = "C:/outdir/"
number_clusters = 3
# Loop over files and get features
filelist = glob.glob(os.path.join(imdir, '*.jpg'))
filelist.sort()
featurelist = []
for i, imagepath in enumerate(filelist):
print(" Status: %s / %s" %(i, len(filelist)), end="\r")
img = image.load_img(imagepath, target_size=(224, 224))
img_data = image.img_to_array(img)
img_data = np.expand_dims(img_data, axis=0)
img_data = preprocess_input(img_data)
features = np.array(model.predict(img_data))
featurelist.append(features.flatten())
# Clustering
kmeans = KMeans(n_clusters=number_clusters, random_state=0).fit(np.array(featurelist))
# Copy images renamed by cluster
# Check if target dir exists
try:
os.makedirs(targetdir)
except OSError:
pass
# Copy with cluster name
print("\n")
for i, m in enumerate(kmeans.labels_):
print(" Copy: %s / %s" %(i, len(kmeans.labels_)), end="\r")
shutil.copy(filelist[i], targetdir + str(m) + "_" + str(i) + ".jpg")
【讨论】:
【参考方案2】:这个问题太笼统了。
一般来说,您可以使用任何clustering mechanism,例如一种流行的k-means。要为聚类准备数据,您需要将集合转换为数组 X,其中每一行都是一个示例(图像),每一列都是一个特征。
主要问题 - 你的功能应该是什么。如果不知道您要完成什么,就很难回答。如果您的图像很小且大小相同,您可以简单地将每个像素作为一个特征。如果您有任何元数据并想使用它进行排序 - 您可以将元数据中的每个标签都作为一个特征。
现在,如果您确实需要在图像之间找到一些模式,则必须应用额外的处理层,例如 convolutional neural network,它本质上允许您从图像的不同部分中提取特征。您可以将其视为一个过滤器,它将每个图像转换为 8x8 矩阵,然后相应地可以将其用作数组 X 中具有 64 个不同特征的行来进行聚类。
【讨论】:
我想让每个集群都包含相同对象/场景的照片,即我拍摄了我房间的三张照片,但位置略有不同,或者某些照片的光线较少。所以照片并不完全相等,但非常相似。 在这种情况下,我建议在深入研究深度学习(convnet)之前先尝试一种简单的方法。我只是从每个图像中提取像素图,特别是因为它们都具有相同的大小。将图片转换为黑白将帮助您降低复杂性。然后尝试应用 scikit-learn 中的 k-means。改变集群的数量以查看影响。但很可能您必须应用某种卷积网络才能获得有意义的结果。我只是建议分阶段进行。 事实上,我建议看一下 mahotas 库,它可以很好地适用于您的情况。链接 - mahotas.readthedocs.io/en/latest/features.html 我尝试获取harlick特征,但我不明白,为什么我得到每张图像的13x13矩阵?它不应该是一个 13x1 的向量,它为 13 个 haralick 特征中的每一个描述了一些数字吗?以上是关于在python中通过其相似性进行图像聚类的主要内容,如果未能解决你的问题,请参考以下文章