SML实现图像标注/分类

本文分享《信息搜索与人工智能》大作业的实现。题目的实现过程全在PPT，下面结合进行说明。

题目描述：任选某类图像为训练样本，编程实现其基于 SML 算法的类模型。要求图像的 GMM 为 6 个分量，类模型的 GMM 为 10 个分量。两级 GMM 模型 的初值均由 k-means 算法获得。

1、实现过程总述

图像特征抽取

先用混合高斯模型拟合一组含有共同语义类的图片（就是说我们的数据集，是按类别一批一批处理的），以提取图片的各个特征。

图像语义类建模

之后把描述图片特征的高斯混合模型的参数再作为数据集，用新的一组高斯混合模型来拟合，这样就相当于是对图片的特征进行整合，得到这一类图片的总体样貌。

图像标注或检索

在建模了多组语义类的模型后，对测试图片在不同的模型下计算似然，选择前几进行标注，表示含有相应的语义类。

2、具体实现

数据预处理

对于一个语义类的所有图片：

1）空间变换：读取图片后，从RGB空间转到YBR空间；

2）分块：图片分割成 8*8 的小块，相邻重叠 2 ，相当于一个 8*8 的窗隔 6 滑动一次；

3）补0：对于不满 8*8 的小块，进行补 0 操作，有点像信号插值里的补 0；

4）DCT 变换：对于每个小块进行 DCT 变换，获得特征；

ps，如果你的算法在后面的输入需要把图片展出一维，还需要：

5）zigzag 扫描：在 DCT 变换后，可以输出一个小块观察一下，高频在右下，低频在左上，直接按行按列扫描展开，效果不太好，故还需要zigzag扫描（这一部分实现代码在另外一篇文章）

这里其实也可以进行滤波，滤出高频信息，留下低频信息（查找一些资料可以知道能量主要集中在低频，高频反映边缘和细节，这里我没有做，直接展开了，你也可以补充进行）

6）对每个小块 YBR 空间交替扫描展成一维；

特征提取和语义类建模

对一个语义类图片集 D 里一张图片 I 进行分块，可得到 L 个小块（每个图片可以分割成  L 个小块），共有 M 个数据集（即 D 中共含 M 张图片）：

1）每个小块相当于一个样本，每个样本集有 L 个数据，基于这些数据，建立含 6 个分量的高斯混合模型，得到模型参数分别为：每个分量的概率，相应的均值和均方差

2）对同一个语义类的每幅图片都通过高斯混合模型进行建模，提取特征，每幅图片都用 6 个分量的高斯混合模型，共有 M 张图片。把一张图片的高斯混合模型参数（即每个分量的概率，相应的均值和均方差）作为一个样本，一个语义类就有 6*M 个样本数据作为数据集。用含 10 个分量的高斯混合模型拟合这一类图片的参数特征，得到该语义类的整体描绘；

ps：可用拓展EM算法获得更多分量

 标注

在获得了不同语义类的模型特征后，对于一个测试图片，分别在不同的语义类下计算似然，最大的几个作为标注。 

 3、代码部分

这里只稍作说明，详细见链接（CSDN上传资料最少得5币或者1.9元，需要的也可以私信我）。希望还是先自己尝试一下，作业每年都一模一样，参数不同而已，可以在学期开始有空做完，后面可以节约不少时间。

数据预处理部分可用opencv实现，GMM可以用sklearn现有的模块实现，里面GMM初始化参数的方法，包含了k-means。我觉得我前面已经写的很详细了，照着那个步骤，剩下的就是查代码，找模块带的事。唯一一个没有模块的zigzag，我公开了，我有看过一个学长的实现，k-means、GMM、EM全程手撕，很厉害，但是也容易出错，我运行时没有bug，但是跑不动，特别费时间，细看其实也有很多问题的，最后弃疗自己写了。还是建议用模块，如果你很强，也可以试试，但是其实也没必要，我记得老师说这个作业重在过程。

k-means、GMM、EM 算法详解我觉得比较基础，网上有很多，不必写了，写这篇是因为自己在完成作业时发现可以参考的很少，希望对后来者有帮助。祝学业顺利