图像识别python

利用Python中tensorflow框架进行深度学习

# 2.1 导入实验环境
# 导入模块
#from skimage
import glob
import os
import cv2
import tensorflow as tf
from tensorflow.keras import layers, optimizers, datasets, Sequential
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split

'''

#设置初始化环境
# 数据集的地址 改为你自己的
path = './flower_photos/'
#path = ‘E:\桌面\11.14上机\’
#缩放图片大小为 100*100
w = 100
h = 100
c = 3
#此处为划分小节处，请标注：物理203_202011060176_郑曜（截图1）




#2.2 导入实验数据集
# 步骤一 构建读取图片数据集函数
def read_img(path):
# 定义函数 read_img，用于读取图像数据，并且对图像进行 resize 格式统一处理
    cate=[path+x for x in os.listdir(path) if os.path.isdir(path+x)]
# 创建层级列表 cate，用于对数据存放目录下面的数据文件夹进行遍历，os.path.isdir 用于判断文件是否是目录，然后对是目录文件的文件进行遍历
    imgs=[]
# 创建保存图像的空列表
    labels=[]
# 创建用于保存图像标签的空列表
    for idx,folder in enumerate(cate):
    # enumerate 函数用于将一个可遍历的数据对象组合为一个索引序列，同时列出数据和下标,一般用在 for循环当中
        for im in glob.glob(folder+'/*.jpg'):
        # 利用 glob.glob 函数搜索每个层级文件下面符合特定格式“/*.jpg”进行遍历
            print('reading the images:%s'%(im))
        # 遍历图像的同时，打印每张图片的“路径+名称”信息
            img = cv2.imread(im)
        # 利用 cv2.imread 函数读取每一张被遍历的图像并将其赋值给 img
            img = cv2.resize(img, (w, h))
        # 利用 cv2.resize 函数对每张 img 图像进行大小缩放，统一处理为大小为 w*h(即 100*100)的图像
            imgs.append(img)
        # 将每张经过处理的图像数据保存在之前创建的 imgs 空列表当中
            labels.append(idx)
        # 将每张经过处理的图像的标签数据保存在之前创建的 labels 列表当中
    return np.asarray(imgs,np.float32),np.asarray(labels,np.int32)
    # 利用 np.asarray 函数对生成的 imgs 和 labels 列表数据进行转化，之后转化成数组数据（imgs 转成浮点数型，labels 转成整数型）
    # 最后返回 imgs 和 labels 数组数据

#步骤2 读取图片数据集
# 加载数据集
# 将 read_img 函数处理之后的数据定义为样本数据 data 和标签数据 label
data,label=read_img(path)
print("shape of data:",data.shape) # 查看样本数据的大小
print("shape of label:",label.shape) # 查看标签数据的大小


#划分训练集与测试集
# 保证生成的随机数具有可预测性,即相同的种子（seed 值）所产生的随机数是相同的
seed = 785
np.random.seed(seed)
#切分数据集
(x_train, x_val, y_train, y_val) = train_test_split(data, label,
test_size=0.20, random_state=seed)
x_train = x_train / 255
x_val = x_val / 255
#创建图像标签列表
flower_dict = {0:'dasiy',1:'dandelion',2:'roses',3:'sunflowers',4:'tulips'}


# 2.3 构建 CNN 图像识别模型
# 步骤 1 构建 CNN 神经网络
#创建模型。模型包括 3 个卷积层和三个 RELU 激活函数，两个池化层
model = Sequential([
#调用 layer.Con2D()创建了一个卷积层。32 表示 kernel 的数量。padding=“same”表示填充输入以使输出具有与原始输入相同的长度，使用 RELU 函数
                    layers.Conv2D(32, kernel_size=[5, 5], padding="same",
                    activation=tf.nn.relu),
                    #调用 layers.MaxPool2D()创建最大池化层，步长为 2，padding=“same”表示填充输入以使输出具有与原始输入相同的长度。
                    layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same'),
                    #利用 dropout 随机丢弃 25%的神经元
                    layers.Dropout(0.25),
                    #继续添加两个卷积层和一个最大池化层
                    layers.Conv2D(64, kernel_size=[3, 3], padding="same",
                    activation=tf.nn.relu),
                    layers.Conv2D(64, kernel_size=[3, 3], padding="same",
                    activation=tf.nn.relu),
                    layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same'),
                    layers.Dropout(0.25),
                    # 继续添加两个卷积层和一个最大池化层
                    layers.Conv2D(128, kernel_size=[3, 3], padding="same",
                    activation=tf.nn.relu),
                    layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same'),
                    #利用 dropout 随机丢弃 25%的神经元
                    layers.Dropout(0.25),
                    #Flatten 层用来将输入“压平”，即把多维的输入一维化
                    layers.Flatten(),
                    #调用 layers.Dense()创建全连接层
                    layers.Dense(512, activation=tf.nn.relu),
                    layers.Dense(256, activation=tf.nn.relu),
                    #添加全连接层，最后输出每个分类（5）的数值
                    layers.Dense(5, activation='softmax')
                    ])

# 步骤 2 构建优化器
#使用 Adam 优化器，优化模型参数。lr(learning_rate, 学习率)
opt = optimizers.Adam(learning_rate=0.0001)
# 编译模型
# 定义准确率函数，用于模型效果验证。
#编译模型以供训练。metrics=['accuracy']即评估模型在训练和测试时的性能的指标。
model.compile(optimizer=opt,
            loss='sparse_categorical_crossentropy',
            metrics=['accuracy'])

# 步骤 3 训练 CNN 图像识别模型
#训练模型，决定训练集和验证集，batch size：进行梯度下降时每个 batch 包含的样本数。
#verbose：日志显示，0 为不在标准输出流输出日志信息，1 为输出进度条记录，2 为每个 epoch 输出一行记录
model.fit(x_train, y_train, epochs=30, validation_data=(x_val,y_val),batch_size=100, verbose=2)
#输出模型的结构和参数量
model.summary()

步骤 4 保存模型
model.save('./Model/model.h5')
'''


#2.2.1 导入实验环境
#from skimage
import glob
import os
import cv2
import tensorflow as tf
from tensorflow.keras import layers, optimizers, datasets, Sequential
import numpy as np
import matplotlib.pyplot as plt
from keras.models import load_model
from sklearn.model_selection import train_test_split
model = load_model('./Model/model.h5')
# 步骤 2 设置初始化环境
# 数据集的地址 （改为自己的）
path_test = './TestImages/'
w=100
h=100

# 2.2.2 导入测试数据
# 从 5 类图像数据中各自任意抽取一张用来进行模型效果测试。以下是每张图像的路径与名称。
# 步骤 1 加载测试数据
imgs=[] # 创建保存图像的空列表
for im in glob.glob(path_test+'/*.jpg'):
# 利用 glob.glob 函数搜索每个层级文件下面符合特定格式“/*.jpg”进行遍历
    #print('reading the images:%s'%(im)
    # 遍历图像的同时，打印每张图片的“路径+名称”信息
    img=cv2.imread(im) # 利用 io.imread 函数读取每一张被遍历的图像并将其赋值给img
    img=cv2.resize(img,(w,h))
    # 利用 cv2.resize 函数对每张 img 图像进行大小缩放，统一处理为大小为 w*h(即 100*100)的图像
    imgs.append(img) # 将每张经过处理的图像数据保存在之前创建的 imgs 空列表当中
imgs = np.asarray(imgs,np.float32)
print("shape of data:",imgs.shape)

# 2.2.3 模型验证
# 步骤 1 模型验证
#将图像导入模型进行预测
prediction = model.predict(imgs)
prediction = np.argmax(prediction,axis=1)
#绘制预测图像
for i in range(np.size(prediction)):
#打印每张图像的预测结果
    flower_dict={'0':'dasiy','1':'dandelion','2':'roses','3':'sunflowers','4':'tulips'}
    print("第",i+1,"朵花预测:"+flower_dict[str(prediction[i])])
    img = plt.imread(path_test+"/"+"test"+str(i+1)+".jpg")
    plt.imshow(img)
    plt.show()