使用R语言进行图像分类
本文使用R语言,应用SVM(高斯核)[3]算法对JPEG图片进行二类分。
SVM使用e1071包, 图像处理用imager包[1]。
数据使用的是Caltech 101中的Faces和BACKGROUND_Google两类数据[2]。
文章最后包含了实验的源代码。
这篇blog还有个pdf版本，可在 /detail/leeshuheng/9625830 中下载。
1 步骤
代码执行五个步骤。
• 读取图片
• 向量化
• 合并图片
• 训练模型
• 对测试集分类
2 程序执行时生成的SVM模型的部分信息
采样不同，结果可能不同。
summary(fit):
SVM-Type: C-classification
SVM-Kernel: radial
cost: 1
gamma: 0.0009765625
Number of Support Vectors: 349
3 代码
最后是R语言代码。采样不同，结果可能不同。
### 09月 07日 星期三 16:13:34 CST #############
## author: 李小丹
setwd("~/repos/project/R-src/")
library(imager)
library(e1071)
read.imags <- function(path = "./") {
fns <- list.files(path)
res <- NULL
for(i in fns) {
fn <- paste(path, i, sep = "")
im <- load.image(fn)
im <- resize(im, size_x = 32L, size_y = 32L,
size_z = 1L, size_c = 1L)
im <- as.array(im)
im <- matrix(im, 1, mult(dim(im)))
ifelse(!is.null(res),
res <- rbind(res, im), res <- im)
}
return(res)
}
a.images <- read.imags("./101_ObjectCategories/Faces/")
b.images <- read.imags("./101_ObjectCategories/BACKGROUND_Google/")
(sam.count <- ceiling(min(nrow(a.images) * 0.8, nrow(b.images) * 0.8)))
# [1] 348
train.a <- sample(1:nrow(a.images), sam.count, replace = F)
train.b <- sample(1:nrow(b.images), sam.count, replace = F)
data.imags <- rbind(a.images[train.a,], b.images[train.b,])
fit <- svm(data.imags, c(rep(1, length(train.a)), rep(0, length(train.b))),
probablity = T, cross = 3,
type = "C-classification", method = "SVM")
a.pred <- predict(fit, a.images[-train.a,])
a.pred <- as.numeric(as.character(a.pred))
prop.table(table(a.pred))
# a.pred
# 0 1
# 0.04597701 0.95402299
b.pred <- predict(fit, b.images[-train.b,])
b.pred <- as.numeric(as.character(b.pred))
prop.table(table(b.pred))
# b.pred
# 0 1
# 0.94166667 0.05833333
References
[1] Simon Barthelme and Antoine Cecchi. “imager: Image Processing Library Based on ’CImg’”.
In: (Sept. 5, ). URL: https://cran.r- /web/packages/imager/index.html.
[2] Fei-Fei Li, Marco Andreetto, and Marc ’Aurelio Ranzato. altech 101. .
URL: http://www.vision.caltech.edu/Image_Datasets/Caltech101/ (visited on 09/08/).
[3] David Meyer et al. “e1071: Misc Functions of the Department of Statistics, Probability Theory
Group (Formerly: E1071), TU Wien”. In: (Aug. 5, ).
URL: https://cran.r-/web/packages/e1071/index.html.
