2020-12-28 23:19:34

勇哥的视觉实验：SVM分类器（三） 支持向量机的应用例子，自动特征选择

前言：

==========================================================

分类器相对于深度学习来讲是一种古老传统的图片处理技术。halcon中常见的有四类分类器：

  • MLP（多层神经网络neural Nets）

  • SVM（支持向量机）

  • K-NN（K-最邻近）

  • GMM（高斯混合类型）

分类器的应用领域主要是下面这些：

  • image segmentation         图像分割  

  • object recognition             对象识别 

  • quality control                 质量控制

  • novelty detection             缺陷检测 

  • optical character recognition(OCR)      光学字符识别

勇哥第一次见到分类器的视觉项目是锂电池的极片缺陷检测，效果还不错。
这两年深度学习火起来后，发现深度学习完成上面所说的领域的应用更容易，效果也更好。

但深度学习对硬件要求太高，你把IPC加装个一百多W的显卡很多时候是不现实的。
如果你用cpu来跑，会发现速度乎快乎慢，cpu全部内核会100%被占用。
分类器相对于深度学习来讲不吃硬件，所以相对来讲算是轻量级的应用。

==========================================================

童鞋你是不是在为分类特征的选择头大呢？

你是不是以分类特征多多益善，加一堆进去，感觉总有派上用处的特征是吧？


其实，halcon有算子是可以自动帮助你挑选最适合的特征的。

勇哥其实也是今天才知道居然有这种神奇的功能的。


我们来分析一下源码，看看这个神奇功能是怎么工作的。


（1） 检查可用的特征与特征组

下面两个库函数，一个查询可用的特征组名字。

一个用来取特征组所属的全部特征的名字。

*检查可用的特征与特征组
query_feature_group_names (AvailableGroupNames)
query_feature_names_by_group (AvailableGroupNames, AvailableFeatureNames, AvailableCorrespondingGroups)

可用的特征组名字列表。

其中“rot_invar”,"scale_invar" 不是知道是什么鬼。

image.png

“rot_invar”组下面的特征有：

['area', 'ra', 'rb', 'roundness', 'num_sides', 'num_connected', 'num_holes', 'area_holes',
 'max_diameter', 'outer_radius', 'inner_radius', 'circularity', 'compactness', 'convexity',
  'rectangularity', 'anisometry', 'bulkiness', 'struct_factor', 'dist_mean', 'dist_deviation', 
  'euler_number', 'rect2_len1', 'rect2_len2', 'contlength', 'porosity', 
  'gray_area', 'gray_ra',
   'gray_rb', 'gray_min', 'gray_max', 'gray_range', 'gray_mean', 'gray_deviation',
    'gray_plane_deviation', 'gray_anisotropy', 'gray_entropy', 'edge_density', 
    'edge_density_histogram', 'edge_density_pyramid_2', 'edge_density_pyramid_3', 
    'edge_density_pyramid_4', 'edge_density_histogram_pyramid_2',
     'edge_density_histogram_pyramid_3', 
    'edge_density_histogram_pyramid_4', 'polar_gray_proj', 'polar_grad_proj', 
    'polar_grad_x_proj', 'polar_grad_y_proj', 'polar_gray_proj_histo']

“scale_invar”

['phi', 'roundness', 'num_sides', 'num_connected', 'num_holes', 'orientation', 'circularity',
 'compactness', 'convexity', 'rectangularity', 'anisometry', 'bulkiness', 'struct_factor',
  'euler_number', 'rect2_phi', 'porosity', 'gray_phi', 'gray_min', 'gray_max', 
  'gray_range', 'gray_mean', 'gray_deviation', 'gray_plane_deviation', 'gray_anisotropy', 
  'gray_entropy', 'gray_hor_proj', 'gray_vert_proj', 'gray_hor_proj_histo', 
  'gray_vert_proj_histo', 'edge_density', 'edge_density_histogram', 'edge_density_pyramid_2',
   'edge_density_pyramid_3', 'edge_density_pyramid_4', 'edge_density_histogram_pyramid_2', 
   'edge_density_histogram_pyramid_3', 'edge_density_histogram_pyramid_4', 'polar_gray_proj',
    'polar_grad_proj', 'polar_grad_x_proj', 'polar_grad_y_proj', 'polar_gray_proj_histo']

"color"

['cielab_mean', 'cielab_dev', 'hls_mean', 'hls_dev', 'rgb_mean', 'rgb_dev']

"custom"

'custom_feature_numlines'

"gray"

['gray_area', 'gray_ra', 'gray_rb', 'gray_phi', 'gray_min', 'gray_max', 'gray_range',
 'gray_mean', 'gray_deviation', 'gray_plane_deviation', 'gray_anisotropy', 'gray_entropy',
  'gray_hor_proj', 'gray_vert_proj', 'gray_hor_proj_histo', 'gray_vert_proj_histo',
   'grad_dir_histo', 'edge_density', 'edge_density_histogram', 'edge_density_pyramid_2', 
   'edge_density_pyramid_3', 'edge_density_pyramid_4', 'edge_density_histogram_pyramid_2',
    'edge_density_histogram_pyramid_3', 'edge_density_histogram_pyramid_4', 'cooc',
     'cooc_pyramid_2', 'cooc_pyramid_3', 'cooc_pyramid_4', 'polar_gray_proj', 
     'polar_grad_proj', 'polar_grad_x_proj', 
     'polar_grad_y_proj', 'polar_gray_proj_histo']

"region"

['area', 'width', 'height', 'ra', 'rb', 'phi', 'roundness', 'num_sides', 'num_connected',
 'num_holes', 'area_holes', 'max_diameter', 'orientation', 'outer_radius', 'inner_radius',
  'inner_width', 'inner_height', 'circularity', 'compactness', 'convexity', 'rectangularity',
   'anisometry', 'bulkiness', 'struct_factor', 'dist_mean', 'dist_deviation', 'euler_number', 
   'rect2_phi', 'rect2_len1', 'rect2_len2', 'contlength', 'porosity']

"texture"

['gray_mean', 'gray_deviation', 'gray_plane_deviation', 'gray_anisotropy', 'gray_entropy', 
'gray_hor_proj', 'gray_vert_proj', 'gray_hor_proj_histo', 'gray_vert_proj_histo',
 'grad_dir_histo', 'edge_density', 'edge_density_histogram', 'edge_density_pyramid_2', 
 'edge_density_pyramid_3', 'edge_density_pyramid_4', 'edge_density_histogram_pyramid_2', 
 'edge_density_histogram_pyramid_3', 'edge_density_histogram_pyramid_4', 'cooc', 
 'cooc_pyramid_2', 'cooc_pyramid_3', 'cooc_pyramid_4']


下面是全部特征项目的名字列表。也就是上面罗列的一大堆合在一起了。

image.png


（2）使用calculate_feature_set库函数生成颜色和区域特征列表

使用者还是需要按经验挑选几个用得着的特征组，后面会让halcon自动从特征组里挑选出适合的特征。

FeatureGroups := ['region','color']
get_feature_names (FeatureGroups, FeatureNames)
get_feature_lengths (FeatureNames, FeatureLengths)


（3）创建并准备分类器训练数据结构

create_class_train_data (sum(FeatureLengths), ClassTrainDataHandle)
set_feature_lengths_class_train_data (ClassTrainDataHandle, FeatureLengths, FeatureNames)


（4）训练10张样图

for I := 1 to 10 by 1
    read_image (Image, 'color/pills_class_' + I$'.2d')
    segment_pills (Image, Pills)
    ……
    *计算所有分段药丸的特征并将其存储在训练数据结构中
    calculate_features (Pills, Image, FeatureNames, Features)
    add_sample_class_train_data (ClassTrainDataHandle, 'feature_column', Features, I - 1)
    * 
    ……
endfor

 ['region','color'] 这两个特征组，它们共有38个特征：

['area', 'width', 'height', 'ra', 'rb', 'phi', 'roundness', 'num_sides', 'num_connected',
 'num_holes', 'area_holes', 'max_diameter', 'orientation', 'outer_radius', 'inner_radius',
  'inner_width', 'inner_height', 'circularity', 'compactness', 'convexity', 'rectangularity', 
  'anisometry', 'bulkiness', 'struct_factor', 'dist_mean', 'dist_deviation', 'euler_number',
   'rect2_phi', 'rect2_len1', 'rect2_len2', 'contlength', 'porosity', 'cielab_mean',
    'cielab_dev', 'hls_mean', 'hls_dev', 'rgb_mean', 'rgb_dev']

这38个特征，通过

calculate_features (Pills, Image, FeatureNames, Features)

生成的Features有350个值。

然后用算子add_sample_class_train_data添加样本数据Features到分类器训练数据结构中去。

add_sample_class_train_data (ClassTrainDataHandle, 'feature_column', Features, I - 1)

因此到此步，添加的样本数据都是“全部”生吞，没有经过halcon挑选的。


image.png



（5）从训练数据中自动选择合适的特征

select_feature_set_svm (ClassTrainDataHandle, 'greedy', [], [], SVMHandle, SelectedFeatures, Score)

select_feature_set_svm  http://47.98.154.65/?id=1639

经过这个择优算子处理后，对分类最有意义的特征仅为：  ['rgb_mean', 'area']


image.png


（6）利用自动选择特征的分类器对试验图像中的药丸进行分类

验证图3张，每张图的药丸为NPills个。

for I := 1 to 3 by 1 
    read_image (Image, 'color/pills_test_' + I$'.2d')
    segment_pills (Image, Pills)
    * 对于所有药丸，计算所选特征
    * 使用calculate_feature_set库中的calculate_features过程并对其进行分类。
    PillsIDs := []
    count_obj (Pills, NPills)
    for P := 1 to NPills by 1
        select_obj (Pills, PillSelected, P)
        calculate_features (PillSelected, Image, SelectedFeatures, Features)
        classify_class_svm (SVMHandle, real(Features), 1, Class)
         ……
    endfor
    ……
    endfor
endfor

image.png


源码：

*这个例子展示了如何使用calculate_feature_set过程库和自动特征选择来使用支持向量机分类器
*对不同的药丸类型进行分类。
*首先，在一些训练图像中对药丸进行分割。
*然后，计算每个药丸的颜色color和区域region特征列表，并存储在分类器训练数据结构中。
*最后，利用算子select_feature_set_svm自动选择最佳特征，最后将得到的分类器应用于多幅测试图像。

dev_close_window ()
dev_update_off ()
read_image (Image, 'color/pills_class_01')
dev_open_window_fit_image (Image, 0, 0, -1, -1, WindowHandle)
dev_set_draw ('margin')
dev_set_line_width (2)
set_display_font (WindowHandle, 16, 'mono', 'true', 'false')
dev_set_colored (12)
* 
PillNames := ['big_round_red','round_green','small_round_red','yellow_trans','brown','brown_green']
PillNames := [PillNames,'brown_grain','purple','turquese','pink']
PillColors := ['#D08080','#ADC691','#FFB0A1','#D5C398','#B59C87','#BCB3B8','#B7ACA1','#908E99','#97B9BC','#C0ABA9']
* 
*（1）检查可用的特征与特征组
query_feature_group_names (AvailableGroupNames)
query_feature_names_by_group (AvailableGroupNames, AvailableFeatureNames, AvailableCorrespondingGroups)
* 
*（2）使用calculate_feature_set库函数生成颜色和区域特征列表
FeatureGroups := ['region','color']
get_feature_names (FeatureGroups, FeatureNames)
get_feature_lengths (FeatureNames, FeatureLengths)
* 
*（3）创建并准备分类器训练数据结构
create_class_train_data (sum(FeatureLengths), ClassTrainDataHandle)
set_feature_lengths_class_train_data (ClassTrainDataHandle, FeatureLengths, FeatureNames)

（4）训练10张样图
for I := 1 to 10 by 1
    *分割药丸
    read_image (Image, 'color/pills_class_' + I$'.2d')
    segment_pills (Image, Pills)

    dev_display (Image)
    dev_set_color ('white')
    dev_display (Pills)
    disp_message (WindowHandle, 'Collecting ' + PillNames[I - 1] + ' samples', 'window', 12, 12, 'black', 'true')
    * 
    *计算所有分段药丸的特征并将其存储在训练数据结构中
    count_obj (Pills, Number)
    calculate_features (Pills, Image, FeatureNames, Features)
    add_sample_class_train_data (ClassTrainDataHandle, 'feature_column', Features, I - 1)
    * 
    *可视化药丸的处理信息
    dev_set_color (PillColors[I - 1])
    dev_display (Pills)
    GroupList := sum('\'' + FeatureGroups + '\', ')
    tuple_str_first_n (GroupList, strlen(GroupList) - 3, GroupList)
    Message := 'Calculate ' + |FeatureNames| + ' features from following feature groups:'
    disp_message (WindowHandle, [Message,GroupList], 'window', 40, 12, 'black', 'true')
    disp_continue_message (WindowHandle, 'black', 'true')
    stop ()
endfor
* 
*（5）从训练数据中自动选择合适的特征
*Selecting optimal features 选择最佳特征
disp_message (WindowHandle, 'Selecting optimal features...', 'window', 90, 12, 'black', 'true')
select_feature_set_svm (ClassTrainDataHandle, 'greedy', [], [], SVMHandle, SelectedFeatures, Score)
disp_message (WindowHandle, ['Selected:',SelectedFeatures], 'window', 120, 12, 'black', 'true')
disp_continue_message (WindowHandle, 'black', 'true')
stop ()
* 
*（6）利用自动选择特征的分类器对试验图像中的药丸进行分类
dev_set_line_width (4)
dev_set_colored (12)
for I := 1 to 3 by 1
    
    read_image (Image, 'color/pills_test_' + I$'.2d')
    dev_display (Image)
    segment_pills (Image, Pills)
    * 对于所有药丸，计算所选特征
        * 使用calculate_feature_set库中的calculate_features过程并对其进行分类。
    PillsIDs := []
    count_obj (Pills, NPills)
    for P := 1 to NPills by 1
        select_obj (Pills, PillSelected, P)
        calculate_features (PillSelected, Image, SelectedFeatures, Features)
        classify_class_svm (SVMHandle, real(Features), 1, Class)
        * Display results
        PillsIDs := [PillsIDs,Class]
        dev_set_color (PillColors[Class])
        dev_display (PillSelected)
        area_center (PillSelected, Area, Row, Column)
        disp_message (WindowHandle, Class + 1, 'image', Row, Column - 10, 'black', 'true')
    endfor
    disp_message (WindowHandle, 'Classify image ' + I + ' of 3 using following features:', 'window', 12, 12, 'black', 'true')
    disp_message (WindowHandle, SelectedFeatures, 'window', 40, 12, 'black', 'true')
    if (I < 3)
        disp_continue_message (WindowHandle, 'black', 'true')
        stop ()
    endif
endfor


--------------------- 

作者：hackpig
来源：www.skcircle.com
版权声明：本文为博主原创文章，转载请附上博文链接！



本文出自勇哥的网站《少有人走的路》wwww.skcircle.com，转载请注明出处！讨论可扫码加群：
标签:
作者:勇哥,很想停止 | 分类:分类器、神经网络、深度学习 | 浏览:5037 | 评论:0

发表评论:

◎欢迎参与讨论，请在这里发表您的看法、交流您的观点。

会员中心
搜索
«    2025年10月    »
一 二 三 四 五 六 日
12345
6789101112
13141516171819
20212223242526
2728293031
网站分类
标签列表
最新留言
    热门文章 | 热评文章 | 随机文章
文章归档
友情链接
  • 订阅本站的 RSS 2.0 新闻聚合
  • 扫描加本站机器视觉QQ群，验证答案为：halcon勇哥的机器视觉
  • 点击查阅微信群二维码
  • 扫描加勇哥的非标自动化群,验证答案：C#/C++/VB勇哥的非标自动化群
  • 扫描加站长微信：站长微信：abc496103864
  • 扫描加站长QQ：
  • 扫描赞赏本站：
  • 留言板:

Powered By Z-BlogPHP 1.7.2

Copyright Your skcircle.com Rights Reserved.

鄂ICP备18008319号


站长QQ:496103864 微信:abc496103864