форматирование картинки для ядра svm

Question

У меня возникли трудности с получением серии изображений в правильном формате для подачи в sklearn.svm.SVC.

Это мой первый проект по распознаванию изображений, и поэтому я немного страдаю.

У меня есть цикл, который выводит кучу RGB-изображений base64 (разных размеров) на фрейм данных

imageData = mpimg.imread(io.BytesIO(base64.b64decode(value)),format='JPG')

затем я конвертирую изображение RGB в оттенки серого и сглаживаю

data_images = rgb2gray(imageData).ravel()

где rgb2gray:

def rgb2gray(rgb):
    r, g, b = rgb[:,:,0], rgb[:,:,1], rgb[:,:,2]
    gray = 0.2989 * r + 0.5870 * g + 0.1140 * b
    return gray

Если я смотрю на различия в размере

df_raw.sample(10)

Мы видим, что длины пикселей изображения не совпадают между моими сэмплами. Я немного запутался здесь о том, как действовать. Из-за отсутствия лучшей идеи я решил добавить отступ, основанный на картинке с самым большим размером,

df_raw.picLen.max()

Затем добавляем количество нулей в конец каждого массива 1D изображений.

def padPic(x,numb,maxN):
    N = maxN-len(x)
    out = np.pad(x,(numb,N),'constant')
    return out

вызывающий

df_raw['picNew'] = df_raw.apply(lambda row: padPic(row['pic'],0,df_raw.picLen.max()), axis=1)
df_raw['picNewLen']  = df_raw.apply(lambda row: len(row['picNew']), axis=1)

Теперь у меня есть массивы одного размера

Отсюда я пытаюсь подобрать модель для поддержки векторного алгоритма, используя данные изображения в качестве X и набор меток в качестве y.

from sklearn.svm import SVC
X_train, X_test, y_train, y_test = train_test_split(df_raw.picNew, df_raw.name, test_size = 0.2, random_state=42)

проверьте размер:

print('Training data and target sizes: \n{}, {}'.format(X_train.shape,y_train.shape))
print('Test data and target sizes: \n{}, {}'.format(X_test.shape,y_test.shape))

Данные обучения и размеры целей: (198,), (198,) Данные испытаний и цели размеры: (50,), (50,)

после того, как я убедил себя, что все готово, тогда я пытаюсь соответствовать модели

svm = SVC()
svm.fit(X_train, y_train)

это выдает ошибку, и я не могу понять, почему:

/ opt / wakari / anaconda / envs / ulabenv_2018-11-13_10.15.00 / lib / python3.5 / site-packages / numpy / core / numeric.py в asarray (a, dtype, order) 499 500 "" " -> 501 возвращаемый массив (a, dtype, copy = False, order = order) 502 503

ValueError: установка элемента массива с последовательностью.

Я думаю, что это связано с размером массива, но я не могу понять это. : - /

В дополнение к ошибке, в общем, у меня есть вопрос к моему подходу в целом. В частности, я думаю, что мои "отступы", вероятно, неверны, и, возможно, некоторые изменения размера будут лучше. Я ценю любые отзывы о моей методологии. Спасибо

Answer 1

Я понял проблему.

Спасибо Артему за то, что он поймал мою очевидную проблему не кодирования классов, но в конце концов это была не моя проблема.

Оказывается, способ представления массива изображений был неверным. Исходный массив был df_raw['picNew'].shape, который оценивается как

(248,)

Мне нужно было двухмерное представление

np.stack(df_raw['picNew'] , axis=1).shape

(830435, 248)

Все хорошо сейчас.

Я до сих пор не уверен в том, что самый «правильный» способ изменить размер изображения до одинаковой длины. Добавление 0 к длине массива кажется немного простым ... Так что, если у кого-то есть идея:)

Answer 2

Я почти уверен, что это связано с использованием списка в столбце объектов и строк в качестве целевых значений. Для последнего Вам нужно использовать класс LabelEncoder, чтобы превратить их в нормализованные метки классов, как того требует fit ().

Смотрите описание здесь: https://scikit -learn.org / стабильный / модули / полученные / sklearn.preprocessing.LabelEncoder.html

Это необходимо сделать перед разделением поезда / теста, чтобы убедиться, что все имена «видны» LabelEncoder.

В первом случае вы можете поискать учебные пособия по MNIST, которые предоставят множество алгоритмов, применяемых для задач классификации изображений.

Кроме того, изменение размера перед выравниванием должно работать лучше, чем заполнение.