机器学习--基于水色图像的水质评价

完整代码和数据下载地址：https://download.csdn.net/download/qq475225253/87881393

一、背景

现在我们手头上有203张图片，我们目标是让机器代替专家，来识别出这些图片是浅绿色、灰蓝色、黄褐色、茶褐色还是绿色。（图片名称，前面的1，2是颜色类型，_后面的序号，第几张）

 鉴于机器学习的应用，我们很容易联想到，可以使用分类的算法来完成这项任务。从图像中提取出特征自变量X，最后分类成颜色因变量Y（Y的取值可以是浅绿色、灰蓝色、黄褐色、茶褐色还是绿色）

那如何通过图片构造出特征呢？常用的手段是计算图片的颜色均值，颜色方差分布等。但我们这里选择一个自带特征提取的机器学习算法--卷积神经网络，它可以在构造神经网络的过程中，提取出图片的特征。所以卷积神经网络特别适合对图片进行机器学习。

二、构造模型

因为要涉及到读取图片，所以我们要预先安装好PIL库。又因为要用到卷积神经网络，所以我们要提前安装好tensorflow

import numpy as np
import os
from PIL import Image
#图片文件夹下存放着230张图片
file='图片'
d=os.listdir(file)                 #文件夹所有图片文件名
X=np.zeros((len(d),100,100,3))       #预定义输入数据
Y=np.zeros(len(d))                 #预定义输出数据
for i in range(len(d)):   
  img = Image.open(file+'\\'+d[i])  #读取第i张图片， #img有R,G,B三个通道
  im= img.split()                  #分离RGB颜色通道
  R=np.array(im[0])              #R通道
  row_1=int(R.shape[0]/2)-50
  row_2=int(R.shape[0]/2)+50
  con_1=int(R.shape[1]/2)-50
  con_2=int(R.shape[1]/2)+50
  R=R[row_1:row_2,con_1:con_2]    #只分析图片中心附近的100*100大小范围的颜色
  G=np.array(im[1])               #G通道
  G=G[row_1:row_2,con_1:con_2]
  B=np.array(im[2])               #B通道
  B=B[row_1:row_2,con_1:con_2]  
  #取R,G,B通道即可,并归一化
  X[i,:,:,0]=R/255
  X[i,:,:,1]=G/255
  X[i,:,:,2]=B/255
  
  #构造输出数据，水质类别
  s=d[i]
  I=s.find('_',0,len(s))
  if int(s[:I])==1:
      Y[i]=0
  elif int(s[:I])==2:
      Y[i]=1
  elif int(s[:I])==3:
      Y[i]=2
  elif int(s[:I])==4:
      Y[i]=3
  else:
      Y[i]=4

from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size=0.2,
                                                    random_state=4)

from tensorflow.keras import layers, models  
model = models.Sequential()
#第一个卷积层，卷积神经元个数为32，卷积核大小为3×，默认可省
model.add(layers.Conv2D(32, (3, 3),strides=(1,1),activation='relu',
                        input_shape=(100, 100,3)))
#紧接着的第一个池化层，2×2池化，步长为2，默认可缺省
model.add(layers.MaxPooling2D((2, 2),strides=2))
#第二个卷积层
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
#第二个池化层
model.add(layers.MaxPooling2D((2, 2)))
#第三个卷积层
model.add(layers.Conv2D(64, (3, 3), activation='relu'))     
#展平    
model.add(layers.Flatten())
#全连接层
model.add(layers.Dense(64, activation='relu'))
#输出层
model.add(layers.Dense(5, activation='softmax'))

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=500)
model.evaluate(x_test,  y_test, verbose=2)

yy=model.predict(x_test) #获得预测结果概率矩阵
y1=np.argmax(yy,axis=1)  #获得最终预测结果，取概率最大的类标签
r=y1-y_test                #预测结果与实际结果相减
rv=len(r[r==0])/len(r)   #计算预测准确率
print('预测准确率： ',rv)