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：

python根据颜色对图片进行分类

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：

python根据颜色对图片进行分类