叶片形状分类

import skimage,math,numpy
from sklearn.decomposition import PCA
from skimage import io,transform,measure
from skimage.color import rgb2gray
from skimage.filters import threshold_otsu, threshold_sauvola

path='F:\数据挖掘原理\dataset\题目三\圆叶\*.jpg'
coll1 = io.ImageCollection(path)
path='F:\数据挖掘原理\dataset\题目三\尖叶\*.jpg'
coll2 = io.ImageCollection(path)

feature1=[]
#提取圆叶的特征值
for num in range(0,len(coll1)):
    #转换为二值图
    origin_img=coll1[num]
    origin_img = transform.rescale(origin_img, 0.1)
    gray_img=rgb2gray(origin_img)
    otsu_threshold = threshold_otsu(gray_img)
    gray_img = skimage.img_as_ubyte(gray_img)
    bin_image = gray_img > otsu_threshold
    
    labels=measure.label(bin_image)#连通区域标记
    
    repr=measure.regionprops(labels)#获取连通域的特征属性
    
    max_area=0
    yezi=repr[0]
    for i in range(0,len(repr)):
        if(repr[i].area>=max_area):
            max_area=repr[i].area
            yezi=repr[i]
    Cir_ex=(4*math.pi*max_area)/(yezi.perimeter*yezi.perimeter)
    Rec_ex=yezi.extent
    #得到特征圆形度和矩形度
    
    a=numpy.zeros([bin_image.shape[1]])
    bin_image1=numpy.row_stack((a,bin_image,a))
    a1=numpy.zeros([bin_image1.shape[0]])
    a1=a1.T
    bin_image1=numpy.c_[a1,bin_image1,a1]
    max_height=0
    outline=[]
    for y in range(1,bin_image1.shape[0]-2):
        for x in range(1,bin_image1.shape[1]-1):
            if((bin_image1[y][x-1]==0 and bin_image1[y][x]==1)or(bin_image1[y][x]==1 and bin_image1[y][x+1]==0) or( bin_image1[y-1][x]==0 and bin_image1[y][x]==1 )or(bin_image1[y+1][x]==0 and bin_image1[y][x]==1)):
                outline.append([x,y])                                                     # 提取边缘坐标
                
    for i in range(0,len(outline)):
        for j in range(i+1,len(outline)):
            length=math.sqrt((outline[j][0]-outline[i][0])*(outline[j][0]-outline[i][0])+(outline[j][1]-outline[i][1])*(outline[j][1]-outline[i][1]))
            if(length>max_height):
                max_height=length                                                        # 提取叶子的最大长度
                x1=outline[i][0]
                x2=outline[j][0]
                y1=outline[i][1]
                y2=outline[j][1]
    max_width=0
    min=math.fabs((outline[1][0]-outline[0][0])*(x2-x1)+(outline[1][1]-outline[0][1])*(y2-y1))
    for i in range(0,len(outline)-1):
        for j in range(i+1,len(outline)):
            if(math.fabs((outline[j][0]-outline[i][0])*(x2-x1)+(outline[j][1]-outline[i][1])*(y2-y1))<min):
                min=math.fabs((outline[j][0]-outline[i][0])*(x2-x1)+(outline[j][1]-outline[i][1])*(y2-y1))
                width=math.sqrt((outline[j][0]-outline[i][0])*(outline[j][0]-outline[i][0])+(outline[j][1]-outline[i][1])*(outline[j][1]-outline[i][1]))
                if(width>max_width):
                    max_width=width                                                      # 提取叶子的最大宽度 
                    x3=outline[i][0]
                    x4=outline[j][0]
                    y3=outline[i][1]
                    y4=outline[j][1]
                    
    wh_cp=max_width/max_height
    feature1.append([Cir_ex,Rec_ex,wh_cp])

feature2=[]
#提取尖叶的特征值
for num in range(0,len(coll2)):
    #转换为二值图
    origin_img=coll2[num]
    origin_img = transform.rescale(origin_img, 0.1)
    gray_img=rgb2gray(origin_img)
    otsu_threshold = threshold_otsu(gray_img)
    gray_img = skimage.img_as_ubyte(gray_img)
    bin_image = gray_img > otsu_threshold
    
    labels=measure.label(bin_image)#连通区域标记
    
    repr=measure.regionprops(labels)#获取连通域的特征属性
    
    max_area=0
    yezi=repr[0]
    for i in range(0,len(repr)):
        if(repr[i].area>=max_area):
            max_area=repr[i].area
            yezi=repr[i]
    Cir_ex=(4*math.pi*max_area)/(yezi.perimeter*yezi.perimeter)
    Rec_ex=yezi.extent
    #得到特征圆形度和矩形度
    
    a=numpy.zeros([bin_image.shape[1]])
    bin_image1=numpy.row_stack((a,bin_image,a))
    a1=numpy.zeros([bin_image1.shape[0]])
    a1=a1.T
    bin_image1=numpy.c_[a1,bin_image1,a1]
    max_height=0
    outline=[]
    for y in range(1,bin_image1.shape[0]-2):
        for x in range(1,bin_image1.shape[1]-1):
            if((bin_image1[y][x-1]==0 and bin_image1[y][x]==1)or(bin_image1[y][x]==1 and bin_image1[y][x+1]==0) or( bin_image1[y-1][x]==0 and bin_image1[y][x]==1 )or(bin_image1[y+1][x]==0 and bin_image1[y][x]==1)):
                outline.append([x,y])                                                     # 提取边缘坐标
                
    for i in range(0,len(outline)):
        for j in range(i+1,len(outline)):
            length=math.sqrt((outline[j][0]-outline[i][0])*(outline[j][0]-outline[i][0])+(outline[j][1]-outline[i][1])*(outline[j][1]-outline[i][1]))
            if(length>max_height):
                max_height=length                                                        # 提取叶子的最大长度
                x1=outline[i][0]
                x2=outline[j][0]
                y1=outline[i][1]
                y2=outline[j][1]
    max_width=0
    min=math.fabs((outline[1][0]-outline[0][0])*(x2-x1)+(outline[1][1]-outline[0][1])*(y2-y1))
    for i in range(0,len(outline)-1):
        for j in range(i+1,len(outline)):
            if(math.fabs((outline[j][0]-outline[i][0])*(x2-x1)+(outline[j][1]-outline[i][1])*(y2-y1))<min):
                min=math.fabs((outline[j][0]-outline[i][0])*(x2-x1)+(outline[j][1]-outline[i][1])*(y2-y1))
                width=math.sqrt((outline[j][0]-outline[i][0])*(outline[j][0]-outline[i][0])+(outline[j][1]-outline[i][1])*(outline[j][1]-outline[i][1]))
                if(width>max_width):
                    max_width=width                                                      # 提取叶子的最大宽度 
                    x3=outline[i][0]
                    x4=outline[j][0]
                    y3=outline[i][1]
                    y4=outline[j][1]
                    
    wh_cp=max_width/max_height
    feature2.append([Cir_ex,Rec_ex,wh_cp])

#特征主成分分析
feature=feature1+feature2
pca=PCA(n_components=3)
pca.fit(feature)
weight=pca.explained_variance_ratio_
print(pca.explained_variance_ratio_)

#得到圆叶判别公式
#Fx=特征1*权重+特征2*权重+特征3*权重
Fx1=[]
for fe in feature1:
    Fx=fe[0]*weight[0]+fe[1]*weight[1]+fe[2]*weight[2]
    Fx1.append(Fx)
m1=numpy.max(Fx1)
m2=numpy.min(Fx1)
print(Fx1)
print(m1)
print(m2)

#尖叶叶特征主成分分析
pca=PCA(n_components=3)
pca.fit(feature2)
#得到尖叶判别公式
#Fx=特征1*权重+特征2*权重+特征3*权重
Fx2=[]
for fe in feature2:
    Fx=fe[0]*weight[0]+fe[1]*weight[1]+fe[2]*weight[2]
    Fx2.append(Fx)
print(Fx2)
l1=numpy.max(Fx2)
l2=numpy.min(Fx2)
print(l1)
print(l2)

path='F:\数据挖掘原理\dataset\题目三\叶子\*.jpg'
coll3 = io.ImageCollection(path)
#提取叶子的特征值
i=1
j=1
for num in range(0,len(coll3)):
    #转换为二值图
    origin_img=coll3[num]
    origin_img = transform.rescale(origin_img, 0.1)
    gray_img=rgb2gray(origin_img)
    otsu_threshold = threshold_otsu(gray_img)
    gray_img = skimage.img_as_ubyte(gray_img)
    bin_image = gray_img > otsu_threshold
    
    labels=measure.label(bin_image)#连通区域标记
    
    repr=measure.regionprops(labels)#获取连通域的特征属性
    
    max_area=0
    yezi=repr[0]
    for i in range(0,len(repr)):
        if(repr[i].area>=max_area):
            max_area=repr[i].area
            yezi=repr[i]
    Cir_ex=(4*math.pi*max_area)/(yezi.perimeter*yezi.perimeter)
    Rec_ex=yezi.extent
    #得到特征圆形度和矩形度
    
    a=numpy.zeros([bin_image.shape[1]])
    bin_image1=numpy.row_stack((a,bin_image,a))
    a1=numpy.zeros([bin_image1.shape[0]])
    a1=a1.T
    bin_image1=numpy.c_[a1,bin_image1,a1]
    max_height=0
    outline=[]
    for y in range(1,bin_image1.shape[0]-2):
        for x in range(1,bin_image1.shape[1]-1):
            if((bin_image1[y][x-1]==0 and bin_image1[y][x]==1)or(bin_image1[y][x]==1 and bin_image1[y][x+1]==0) or( bin_image1[y-1][x]==0 and bin_image1[y][x]==1 )or(bin_image1[y+1][x]==0 and bin_image1[y][x]==1)):
                outline.append([x,y])                                                     # 提取边缘坐标
                
    for i in range(0,len(outline)):
        for j in range(i+1,len(outline)):
            length=math.sqrt((outline[j][0]-outline[i][0])*(outline[j][0]-outline[i][0])+(outline[j][1]-outline[i][1])*(outline[j][1]-outline[i][1]))
            if(length>max_height):
                max_height=length                                                        # 提取叶子的最大长度
                x1=outline[i][0]
                x2=outline[j][0]
                y1=outline[i][1]
                y2=outline[j][1]
    max_width=0
    min_=math.fabs((outline[1][0]-outline[0][0])*(x2-x1)+(outline[1][1]-outline[0][1])*(y2-y1))
    for i in range(0,len(outline)-1):
        for j in range(i+1,len(outline)):
            if(math.fabs((outline[j][0]-outline[i][0])*(x2-x1)+(outline[j][1]-outline[i][1])*(y2-y1))<min_):
                min_=math.fabs((outline[j][0]-outline[i][0])*(x2-x1)+(outline[j][1]-outline[i][1])*(y2-y1))
                width=math.sqrt((outline[j][0]-outline[i][0])*(outline[j][0]-outline[i][0])+(outline[j][1]-outline[i][1])*(outline[j][1]-outline[i][1]))
                if(width>max_width):
                    max_width=width                                                      # 提取叶子的最大宽度 
                    x3=outline[i][0]
                    x4=outline[j][0]
                    y3=outline[i][1]
                    y4=outline[j][1]
                    
    wh_cp=max_width/max_height
    if((Cir_ex*weight[0]+Rec_ex*weight[1]+wh_cp*weight[2])>=m2 and (Cir_ex*weight[0]+Rec_ex*weight[1]+wh_cp*weight[2])<=m1):
        print("圆叶",end='')
        str1="yuan"+str(i)+".jpg"
        io.imsave("F:\数据挖掘原理\image_classification_demo-master\叶子\圆叶\{0}".format(str1),coll3[num])
        i=i+1
    elif((Cir_ex*weight[0]+Rec_ex*weight[1]+wh_cp*weight[2])>=l2 and (Cir_ex*weight[0]+Rec_ex*weight[1]+wh_cp*weight[2])<=l1):
        print("尖叶",end=' ')
        str2="jian"+str(j)+".jpg"
        io.imsave("F:\数据挖掘原理\image_classification_demo-master\叶子\尖叶\{0}".format(str2),coll3[num])
        j=j+1
    else:
        print("无法识别")
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 141,232评论 1 296
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 60,610评论 1 254
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 93,049评论 0 210
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 40,691评论 0 171
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 48,375评论 1 250
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 38,571评论 1 169
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 30,262评论 2 266
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 29,036评论 0 163
  • 想象着我的养父在大火中拼命挣扎,窒息,最后皮肤化为焦炭。我心中就已经是抑制不住地欢快,这就叫做以其人之道,还治其人...
    爱写小说的胖达阅读 28,781评论 6 225
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 32,394评论 0 211
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 29,154评论 2 212
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 30,470评论 1 222
  • 白月光回国,霸总把我这个替身辞退。还一脸阴沉的警告我。[不要出现在思思面前, 不然我有一百种方法让你生不如死。]我...
    爱写小说的胖达阅读 24,151评论 0 31
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 27,023评论 2 210
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 31,376评论 3 201
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 25,579评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 25,926评论 0 163
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 33,342评论 2 227
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 33,466评论 2 229

推荐阅读更多精彩内容