python数据处理 根据颜色对图片进行分类的方法

前面一篇文章有说过，利用scrapy来爬取图片，是为了对图片数据进行分类而收集数据。本篇

前面一篇文章有说过，利用scrapy来爬取图片，是为了对图片数据进行分类而收集数据。

本篇文章就是利用上次爬取的图片数据，根据图片的颜色特征来做一个简单的分类处理。

实现步骤如下：

1：图片路径添加

2：对比度处理

3：滤波处理

4：数据提取以及特征向量化

5：图片分类处理

6：根据处理结果将图片分类保存

代码量中等，还可以更少，只是我为了练习类的使用，而将每个步骤都封装成了一个独立的类，当然里面也有类继承的问题，遇到的问题前面一篇文章有讲解。内容可能有点繁琐，尤其是文件和路径的使用（可以自己修改），已经尽量优化代码了。

爬取的原始数据如下：

直接上代码：

import os
import numpy as np
import skimage
import matplotlib.pyplot as plt
from skimage import io #读取图片
from skimage import exposure #调用调对比度的方法	rescale_intensity、equalize_hist
from skimage.filters import gaussian	#高斯
from skimage import img_as_float #图片unit8类型到float
from scipy.cluster.vq import kmeans,vq,whiten #聚类算法
import shutil	#文件夹内容删除
 
class Path(object):
	def __init__(self):
 self.path = r"D:\PYscrapy\get_lixiaoran\picture"
 self.pathlist = []	#原始图片列表
 self.page = 0
 
	def append(self): #将每张图片的路径加载到列表中
 much = os.listdir(self.path)
 for i in range(len(much)):
 repath = os.path.join(self.path,str(self.page)+'.jpg')
 self.page +=1
 self.pathlist.append(repath)
 return self.pathlist
 
class Contrast(object):
	def __init__(self,pathlist):
 self.pathlist = pathlist
 self.contrastlist = []	#改变对比度之后的图片列表
 self.path2 = r"D:\PYscrapy\get_lixiaoran\picture2"
 self.page2 = 0
 
	def balance(self): #将每张图片进行对比度的处理，两种方式 1：均衡化 2：从某个值开始取极值
 if os.path.exists(self.path2) == False:
 os.mkdir(self.path2)
 
 # for lis in self.pathlist:
 # data = skimage.io.imread(lis)
 # equalized = exposure.equalize_hist(data)	#方法一这里使用个人人为更好的均衡化处理对比度的方法
 # self.contrastlist.append(equalized)
 
 for lis in self.pathlist:
 data = skimage.io.imread(lis)
 high_contrast = exposure.rescale_intensity(data,in_range=(20,220))	#方法二 以20和220取两端极值
 self.contrastlist.append(high_contrast)
 
 for img in self.contrastlist:
 repath = os.path.join(self.path2,str(self.page2)+'.jpg') #保存修改后的图片
 skimage.io.imsave(repath,img)
 self.page2 +=1
 
class Filter(Contrast):
	def __init__(self,pathlist):
 super().__init__(pathlist)
 self.path31 = self.path2
 self.path32 = r"D:\PYscrapy\get_lixiaoran\picture3"
 self.page3 = 0
 self.filterlist = []
 
	def filte_r(self):
 img = os.listdir(self.path31)	#读取文件内容
 if os.path.exists(self.path32) == False:
 os.mkdir(self.path32)
 for lis in range(len(img)): #循环做每张图片的高斯过滤
 path = os.path.join(self.path31,str(lis)+r'.jpg')
 img = skimage.io.imread(path)
 gas = gaussian(img,sigma=3) #multichannel=False	去掉颜色2D
 self.filterlist.append(gas)
 path_gas = os.path.join(self.path32,str(self.page3)+r'.jpg')
 skimage.io.imsave(path_gas,gas)
 self.page3 +=1
 return self.path32
 
class Vectoring(object):
	def __init__(self,filter_path):
 self.path41 = filter_path
 self.diff = []
 self.calculate = []
 
	def vector(self):
 numbers = os.listdir(self.path41)	#获取文件夹内容
 os.chdir(self.path41) #切换路径
 for i in range(len(numbers)):
 self.diff.append([])
 for j in range(4):
 self.diff[i].append([]) #diff[[number],[img_float],[bin_centers],[hist]]
 
 for cnt,number in enumerate(numbers):
 img_float = img_as_float(skimage.io.imread(number)) #将图像ndarry nint8->float
 hist,bin_centers = exposure.histogram(img_float,nbins=10)	#取图像的	每个区间的像素值	分隔区间
 self.diff[cnt][0] = number
 self.diff[cnt][1] = img_float
 self.diff[cnt][2] = bin_centers	#把数据添加到diff中
 self.diff[cnt][3] = hist
 
 for i,j in enumerate(self.diff): #使用hist和bin_centers相乘来降维,向量化
 self.calculate.append([y*self.diff[i][3][x] for x,y in enumerate(self.diff[i][2])])	#这里可能需要理解一下，就是涉及的参数有点多
 for i in range(len(self.diff)):
 self.diff[i].append(self.calculate[i])	#将特征向量calculate也加入到diff中
 
 return self.diff #diff[[number],[img_float],[bin_centers],[hist],[calculate]]
 
class Modeling(Vectoring):
	def __init__(self,filter_path,K):
 super().__init__(filter_path)
 self.K = K
 
	def model(self):
 diff = self.vector()
 calculate = []
 for i in range(len(diff)):
 calculate.append(diff[i][4])
 spot = whiten(calculate) #这里使用scipy的k-means方法来对图片进行分类
 center,_ = kmeans(spot,self.K) #如果对scipy的k-means不熟悉，前面有专门的讲解
 cluster,_ = vq(spot,center)
 return diff,cluster #获得预测值
 
class Predicting(object):
	def __init__(self,predicted_diff,predicted_cluster,K):
 self.diff = predicted_diff
 self.cluster = predicted_cluster
 self.path42 = r'D:\PYscrapy\get_lixiaoran\picture4'
 self.K = K
 
	def predicted(self):
 if os.path.exists(self.path42) == True:
 much = shutil.rmtree(self.path42)
 os.mkdir(self.path42)
 else:
 os.mkdir(self.path42)
 os.chdir(self.path42)
 for i in range(self.K): #创建K个文件夹
 os.mkdir('classify{}'.format(i))
 for i,j in enumerate(self.cluster):
 skimage.io.imsave('classify{}\\{}'.format(j,self.diff[i][0]),self.diff[i][1])	#根据图片的分类来将它们保存至对应的文件夹
 
if __name__=="__main__":
	np.random.seed(10)
	#文件路径添加
	start = Path()
	pathlist = start.append()
 
	#对比度类
	second = Contrast(pathlist)
	second.balance()	#get改变对比度后的图片个数
 
	#高斯过滤
	filte = Filter(pathlist)
	filter_path = filte.filte_r()
 
	#数据提取及向量化
	vectoring = Vectoring(filter_path)
 
	#K值的自定义
	K = 3
 
	#建模
	modeling = Modeling(filter_path,K)
	predicted_diff,predicted_cluster = modeling.model()
 
	#预测
	predicted = Predicting(predicted_diff,predicted_cluster,K)
	predicted.predicted()

文件如下：

（K=3）分类如下（picrure4）：

白色的基本在一类

黑色的基本一类

分类出来的图片比较模糊是因为，我分类的是处理过后的图片，并非原图。

其实仔细看效果还是有的，就是确实不是太明显，图片的内容还是有点复杂的。大体的框架已经有了，只是优化的问题，调整优化，以及向量特征化的处理，就能得到更好的结果。或者使用一些更好的处理方式，我这里只是简单的使用了几种常见的图片处理方式，所以效果一般。

这里的类有点多，从上到下是类的顺序，所以一步步看还是不复杂的。如果有什么好的建议可以分享一下。

以上这篇python数据处理 根据颜色对图片进行分类的方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。