阅读桑迪潘·戴伊的《Python图像处理实战》笔记九

**

九、 图像处理中经典机器学习方法

**

1.监督学习与无监督学习

（1）监督学习：已知输入数据集和正确标签，需要学习输入和输出之间的关系。
（2）无监督学习：很少或根本不知道输出应该是什么样的。

2.无监督机器学习—聚类、PCA和特征脸

2.1聚类
调色板：码本从k均值（簇群中心）获得的
k值聚类算法对于颜色量化的效果总是比随机码本要好。
谱聚类算法：选择定义区域的图切分，同时最小化沿着切分的梯度与区域体积的比值。
SpectralClustering()用于图像分割为前景和背景
2.2主成分分析PCA
（1）PCA是一种统计/非监督机器学习方法，它使用一个正交变换将一组可能相关的变量的观测值转化为一组线性不相关的变量的值，从而在数据集中发现最大方向的方差。
（2）基于PCA的特征脸

①特征脸，在PCA基础上，计算得到两个PC方向相互正交。
②重建，使用inverse_transform()函数变换回到原空间
③特征分解，每张人脸都可以表示为特征脸的线性组合。

3.监督机器学习—基于手写数字数据集的图像分类

（1）具体步骤：

①使用训练数据集训练一些监督机器学习模型 ②他们将用于预测来自测试数据集的图像的标签
③将预测的标签与基本真值标签进行比较，以评估分类器的性能

（2）分类器

①k最近邻分类算法
首先，只需要从训练数据集中找到离测试图像最近的k个实例；其次，只需要简单地使用多数投票来计算测试图像的标签，来自k个最近的训练数据点的大部分数据点的标签将被分配给测试图像。
计算步骤：计算欧氏距离平方——计算最近邻（球树/k-d树）——评估分类器的性能
②高斯贝叶斯分类器 速度更快、更紧凑
具体步骤：训练生成模型—计算后验概率，以对测试数据进行预测和模型评价
③支持向量机分类器
SVM是一种非常复杂的二值分类器，它使用二次规划来最大化分离超平面之间的边界。

4.监督机器学习—目标检测

（1）使用类Haar特征的人脸检测和使用AdaBoost的级联分类器——Viola-Jones算法

Viola-Jones的目标检测技术可以应用于图像的人脸检测。这是一种经典的机器学习方法，级联函数是通过训练一组正、负图像的训练集，从图像中手工提取类Har特征。Viola-Jones算法通常使用一个基本大小(2424像素)块，它可在图像上横向和纵向滑动，计算数量巨大的类Har特性(对于大小为2424的像素块，有10000个可能特征，尽管通过适当选择600个特征子集，使得它们的准确率达到95%)。随机森林分类器是为了选择显著的特性进行人脸分类，从而检查树的集成最常用的特征。

（2）使用基于HOG（方向梯度直方图）特征的SVM检测目标
HOG训练——利用SVM模型进行分类——使用HOG-SVM计算边界框——非极大值抑制