本案例是基于水质图像来对水质进行分类，所以是图像分类问题，一般的，可以直接构建CNN深度模型来分析，效果会非常好，但此处我们首先从图像中提取特征，然后用SVM分类器来分类。
水色分类的类别分别为：
image.png
整个分析流程为：
image.png
1. 准备数据集
数据的收集过程为：拍摄水样，采集水样图片，从图像中提取出关键特征指标。所以此处的图像特征提取是图像识别或分类的关键步骤。
图像特征有非常多，比如颜色特征，问你特征，形状特征，空间关系特征等，其中颜色特征处理中常用直方图法，颜色矩方法等。
其中颜色矩包含各个颜色通道的一阶矩，二阶矩，三阶矩，对于RGB图像，每个通道有三个矩，故而有9个分量。
本案例采用颜色矩的方法来对图像进行分类。
1.1 图像切割
采集的图像中包含有容器等其他无关信息，所以要对图像进行切割，得到最终将的101x101的小图像。
1.2 特征提取
分别计算小图像中每个像素点的每个通道的一阶颜色矩，二阶颜色矩，三阶颜色矩。
最终得到数据集。
最终得到的数据集为：
image.png
2. 模型构建
data=pd.read_csv("E:\PyProjects\DataSet\PyMining\Data\chapter9\demo\data\moment.csv",encoding='gbk')
#### 可以发现，所有的特征值大约都在0-1之间，但是后面的二阶矩，三阶矩都太小，相对于一阶矩来说整体范围也很窄，所以此处需要将其扩大
data2=data.copy()
data2.iloc[:,5:]=data2.iloc[:,5:]*20
from sklearn.model_selection import train_test_split
train,test=train_test_split(data2,test_size=0.2)
print(train.shape)
print(test.shape)
#导入模型相关的函数，建立并且训练模型
from sklearn import svm
model = svm.SVC(C=100,class_weight='balanced')
model.fit(trainX, trainy)
metrics.confusion_matrix(testy, model.predict(testX)) #测试样本的混淆矩阵
image.png
参考资料：
《Python数据分析和挖掘实战》张良均等
