使用Python對信號圖像進行分類

Question

我有以下要根據形狀分類的信號圖像。 哪種算法適合這樣做？ 我已附上每班2-2張圖片。

Answer 1

您可能需要使用sklearn 。 假設要基於圖像而不是根據生成圖像的數據對這些模式進行分類，則可以使用簡單的k最近鄰（KNN）分類器。

KNN分類是一種可以對許多不同類型的數據進行分類的方法。 首先，使用標記數據（在您的情況下，圖像似乎屬於不同頻率的類）訓練算法。 然后，該算法分析未標記的數據，即您要分類的數據。 “最近鄰居”部分意味着算法看到的每個新數據都是根據您用來訓練算法的k最近數據進行分類的。 這個想法是某個類別的新數據在數值上將類似於另一個類別。 這是算法工作原理的高級工作流程：

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

img_classifier = algorithm(train_set)

然后，您可以對新數據調用經過訓練的算法，以識別未標記的圖像。

test = [img6, img7]

for i in test:
    img_classifier(test)

不過，您可能要使用超過五個訓練圖像。 您選擇的k的值也很重要。 假設您為每個課程訓練了相同數量的圖像（比如說n ），對於總共訓練了3n張圖像，要使用的一個好k為k=n/2 。 太高了，您可能會誤分類，因為您考慮了太多的訓練數據，太低了而您可能考慮的太少了。

這里有一個很棒的教程 ，如果您決定使用sklearn，則一定要檢查一下。

您的圖像似乎是非常離散的類。 如果您不想使用sklearn，則可以根據曲線覆蓋的圖像區域對圖像進行分類。 如果只有這三個類別，則可以嘗試其中的一些類別，看看它們是否為您提供了良好的圖像分類閾值：

• 計算圖像中藍色（亮+暗）的面積-不同的頻率可能會覆蓋不同的區域。
• 檢查淺藍色與深藍色的比率，可能有所不同。
• 從圖像中心（x軸）計算深藍色的最大y位移。 這樣可以輕松地將高頻圖像與中低頻圖像分開，然后您可以使用第一種方法中的面積計算來區分低頻和中頻，因為它們清楚地覆蓋了不同區域。

如果您決定使用第二種方法，請一定要查看Python Imaging Library 。 如果我沒記錯的話，它實際上是在sklearn中使用的。