【A358】基于Python使用HOG+SVM进行图像分类

文件编号：A358

文件大小：6.7M

开发环境：Python3.9、OpenCV4.5、PyCharm2020

猿创承诺：该项目亲测正常运行，提供部署视频，需远程调试部署需另外收费，确保正常使用，不能正常使用全额退款。

简要概述：hog_svm.py是用于训练的，通过提取图片的hog特征，然后通过SVM进行训练得到model，最后通过model进行预测,将结果写入result.txt文件之中。

注意事项：

1.你的图片长宽可以不相等，设置好image_height和image_width即可。

如果图片大小不相等，可以使用change_size.py，把所有图片大小resize成一样的。

2.你图片对应的标签必须是这样的：

001.jpg 1

003.jpg 2

前面是图片名称，后面是对应的类别（类别用数字表示），中间要用空格隔开，每个标签占一行。

你要准备两个文件，一个是训练用的，一个是测试用的。

训练样本标签和预测的都是一样的格式

大家可以看实例.(image文件夹)

3.你的训练和测试的图片可以放在同一个文件夹下面，也可以不同，设置好train_image_path和test_image_path即可。

4.你要根据你图片的大小，对这行代码进行一些调整，这个调整需要你先了解hog的知识：

fd = hog(gray, orientations=18, pixels_per_cell=[8,8], cells_per_block=[4,4], visualise=False, transform_sqrt=True)

这是我为128x128大小图片设置的提取hog特征的参数，你需要适当改变一些，到时候的效果也不同。

orientations我是选9或18，即梯度方向的个数

一般来说，图片越大，pixels_per_cell 和cells_per_block里面的值可以相应变大。

5.如果你要进行多次，建议你把文件位置的参数写死

#训练集图片的位置

train_image_path = '/home/icelee/Downloads/dataset/small_shixun/'

#测试集图片的位置

test_image_path = '/home/icelee/Downloads/dataset/small_shixun/'

#训练集标签的位置

train_label_path = '/home/icelee/Downloads/dataset/mydata.txt'

#测试集标签的位置

test_label_path = '/home/icelee/Downloads/dataset/test.txt'

#图片大小

image_height = 128

image_width = 128

6.你需要安装sk-learn库，hog，PIL库等。可能还有一些零碎的库，大家用pip安装就好。

7.实验都是彩色图片，如果你的图片是纯黑白的，很有可能需要改一下代码，看一下代码注释即可

采用这个测试cifar-10,准确率有50%多一点点（乱猜的准确率是10%），所以效果还是可以的，虽然比不上深度学习。

按需写作：

演示视频：

点击查看：系统演示视频

运行效果：

可能出现的错误

ValueError: Expected 2D array, got 1D array instead: array=[]. Reshape your data either using array.reshape(-1, 1) if your data has a single feature or array.reshape(1, -1) if it contains a single sample.

出现上面的错误说明没有正常读取到图片，所以请检查图片宽高是不是和设置的size一样，路径是否正确。更改之后运行程序时，请选择重新获取特征。

远程协助：

温馨提示：索炜达.猿创官方提供收费远程协助，确保您项目运行成功。

点击查看：远程协助相关事项

我们提供完整项目文件清单如下：

文件目录

 ├ 1.项目源码

 ├ 2.运行截图

 └ 3.演示视频