使用Python对信号图像进行分类

Question

我有以下要根据形状分类的信号图像。 哪种算法适合这样做？ 我已附上每班2-2张图片。

Answer 1

您可能需要使用sklearn 。 假设要基于图像而不是根据生成图像的数据对这些模式进行分类，则可以使用简单的k最近邻（KNN）分类器。

KNN分类是一种可以对许多不同类型的数据进行分类的方法。 首先，使用标记数据（在您的情况下，图像似乎属于不同频率的类）训练算法。 然后，该算法分析未标记的数据，即您要分类的数据。 “最近邻居”部分意味着算法看到的每个新数据都是根据您用来训练算法的k最近数据进行分类的。 这个想法是某个类别的新数据在数值上将类似于另一个类别。 这是算法工作原理的高级工作流程：

train_set = [(img1, 'low freq'), (img2, 'hi freq'), (img3, 'low freq'), (img4, 'med freq'), (img5, 'med freq')]

img_classifier = algorithm(train_set)

然后，您可以对新数据调用经过训练的算法，以识别未标记的图像。

test = [img6, img7]

for i in test:
    img_classifier(test)

不过，您可能要使用超过五个训练图像。 您选择的k的值也很重要。 假设您为每个课程训练了相同数量的图像（比如说n ），对于总共训练了3n张图像，要使用的一个好k为k=n/2 。 太高了，您可能会误分类，因为您考虑了太多的训练数据，太低了而您可能考虑的太少了。

这里有一个很棒的教程 ，如果您决定使用sklearn，则一定要检查一下。

您的图像似乎是非常离散的类。 如果您不想使用sklearn，则可以根据曲线覆盖的图像区域对图像进行分类。 如果只有这三个类别，则可以尝试其中的一些类别，看看它们是否为您提供了良好的图像分类阈值：

• 计算图像中蓝色（亮+暗）的面积-不同的频率可能会覆盖不同的区域。
• 检查浅蓝色与深蓝色的比率，可能有所不同。
• 从图像中心（x轴）计算深蓝色的最大y位移。 这样可以轻松地将高频图像与中低频图像分开，然后您可以使用第一种方法中的面积计算来区分低频和中频，因为它们清楚地覆盖了不同区域。

如果您决定使用第二种方法，请一定要查看Python Imaging Library 。 如果我没记错的话，它实际上是在sklearn中使用的。