python提取gist特徵,Python與gis

本文目錄一覽：

1、提取了圖像的gist特徵，怎樣做匹配
2、python人臉識別所用的優化演算法有什麼
3、可以讓你快速用Python進行數據分析的10個小技巧
4、常見的場景分類演算法有哪些

提取了圖像的gist特徵，怎樣做匹配

圖像特徵特點及常用的特徵提取與匹法

常用的圖像特徵有顏色特徵、紋理特徵、形狀特徵、空間關係特徵。

一

顏色特徵

（一）特點：顏色特徵是一種全局特徵,描述了圖像或圖像區域所對應的景物的表面性質。一般顏色特徵是基於像素點的特徵，此時所有屬於圖像或圖像區域的像素都有各自的貢獻。由於顏色對圖像或圖像區域的方向、大小等變化不敏感，所以顏色特徵不能很好地捕捉圖像中對象的局部特徵。另外，僅使用顏色特徵查詢時，如果資料庫很大，常會將許多不需要的圖像也檢索出來。顏色直方圖是最常用的表達顏色特徵的方法，其優點是不受圖像旋轉和平移變化的影響，進一步藉助歸一化還可不受圖像尺度變化的影響，基缺點是沒有表達出顏色空間分布的信息。

（二）常用的特徵提取與匹法

（1）

顏色直方圖

其優點在於：它能簡單描述一幅圖像中顏色的全局分布，即不同色彩在整幅圖像中所佔的比例，特別適用於描述那些難以自動分割的圖像和不需要考慮物體空間位置的圖像。其缺點在於：它無法描述圖像中顏色的局部分布及每種色彩所處的空間位置，即無法描述圖像中的某一具體的對象或物體。

最常用的顏色空間：RGB顏色空間、HSV顏色空間。

顏色直方圖特徵匹法：直方圖相交法、距離法、中心距法、參考顏色表法、累加顏色直方圖法。

（2）

顏色集

顏色直方圖法是一種全局顏色特徵提取與匹法，無法區分局部顏色信息。顏色集是對顏色直方圖的一種近似首先將圖像從

RGB顏色空間轉化成視覺均衡的顏色空間（如

HSV

空間），並將顏色空間量化成若干個柄。然後，用色彩自動分割技術將圖像分為若干區域，每個區域用量化顏色空間的某個顏色分量來索引，從而將圖像表達為一個二進位的顏色索引集。在圖像匹配中，比較不同圖像顏色集之間的距離和色彩區域的空間關係。

python人臉識別所用的優化演算法有什麼

python三步實現人臉識別

Face Recognition軟體包

這是世界上最簡單的人臉識別庫了。你可以通過Python引用或者命令行的形式使用它，來管理和識別人臉。

該軟體包使用dlib中最先進的人臉識別深度學習演算法，使得識別準確率在《Labled Faces in the world》測試基準下達到了99.38%。

它同時提供了一個叫face_recognition的命令行工具，以便你可以用命令行對一個文件夾中的圖片進行識別操作。

特性

在圖片中識別人臉

找到圖片中所有的人臉

找到並操作圖片中的臉部特徵

獲得圖片中人類眼睛、鼻子、嘴、下巴的位置和輪廓

找到臉部特徵有很多超級有用的應用場景，當然你也可以把它用在最顯而易見的功能上：美顏功能（就像美圖秀秀那樣）。

鑒定圖片中的臉

識別圖片中的人是誰。

你甚至可以用這個軟體包做人臉的實時識別。

這裡有一個實時識別的例子：

安裝

環境要求

Python3.3+或者Python2.7

MacOS或者Linux（Windows不做支持，但是你可以試試，也許也能運行）

安裝步驟

在MacOS或者Linux上安裝

首先，確保你安裝了dlib，以及該軟體的Python綁定介面。如果沒有的話，看這篇安裝說明：

然後，用pip安裝這個軟體包：

如果你安裝遇到問題，可以試試這個安裝好了的虛擬機：

在樹莓派2+上安裝

看這篇說明：

在Windows上安裝

雖然Windows不是官方支持的，但是有熱心網友寫出了一個Windows上的使用指南，請看這裡：

使用已經配置好的虛擬機（支持VMWare和VirtualBox）

看這篇說明：

使用方法

命令行介面

如果你已經安裝了face_recognition，那麼你的系統中已經有了一個名為face_recognition的命令，你可以使用它對圖片進行識別，或者對一個文件夾中的所有圖片進行識別。

首先你需要提供一個文件夾，裡面是所有你希望系統認識的人的圖片。其中每個人一張圖片，圖片以人的名字命名。

然後你需要準備另一個文件夾，裡面是你要識別的圖片。

然後你就可以運行face_recognition命令了，把剛剛準備的兩個文件夾作為參數傳入，命令就會返回需要識別的圖片中都出現了誰。

輸出中，識別到的每張臉都單獨佔一行，輸出格式為

通過Python模塊使用

你可以通過導入face_recognition模塊來使用它，使用方式超級簡單，文檔在這裡：

自動找到圖片中所有的臉

看看這個例子自己實踐一下：

你還可以自定義替換人類識別的深度學習模型。

注意：想獲得比較好的性能的話，你可能需要GPU加速（使用英偉達的CUDA庫）。所以編譯的時候你也需要開啟dlib的GPU加速選項。

你也可以通過這個例子實踐一下：

如果你有很多圖片和GPU，你也可以並行快速識別，看這篇文章：

自動識別人臉特徵

試試這個例子：

識別人臉鑒定是哪個人

這裡是一個例子：

可以讓你快速用Python進行數據分析的10個小技巧

一些小提示和小技巧可能是非常有用的，特別是在編程領域。有時候使用一點點黑客技術，既可以節省時間，還可能挽救「生命」。

一個小小的快捷方式或附加組件有時真是天賜之物，並且可以成為真正的生產力助推器。所以，這裡有一些小提示和小技巧，有些可能是新的，但我相信在下一個數據分析項目中會讓你非常方便。

Pandas中數據框數據的Profiling過程

Profiling（分析器）是一個幫助我們理解數據的過程，而Pandas Profiling是一個Python包，它可以簡單快速地對Pandas 的數據框數據進行探索性數據分析。

Pandas中df.describe()和df.info()函數可以實現EDA過程第一步。但是，它們只提供了對數據非常基本的概述，對於大型數據集沒有太大幫助。而Pandas中的Profiling功能簡單通過一行代碼就能顯示大量信息，且在互動式HTML報告中也是如此。

對於給定的數據集，Pandas中的profiling包計算了以下統計信息：

由Pandas Profiling包計算出的統計信息包括直方圖、眾數、相關係數、分位數、描述統計量、其他信息——類型、單一變數值、缺失值等。

安裝

用pip安裝或者用conda安裝

pip install pandas-profiling

conda install -c anaconda pandas-profiling

用法

下面代碼是用很久以前的泰坦尼克數據集來演示多功能Python分析器的結果。

#importing the necessary packages

import pandas as pd

import pandas_profiling

df = pd.read_csv(‘titanic/train.csv’)

pandas_profiling.ProfileReport(df)

一行代碼就能實現在Jupyter Notebook中顯示完整的數據分析報告，該報告非常詳細，且包含了必要的圖表信息。

還可以使用以下代碼將報告導出到互動式HTML文件中。

profile = pandas_profiling.ProfileReport(df)

profile.to_file(outputfile=”Titanic data profiling.html”)

Pandas實現互動式作圖

Pandas有一個內置的.plot（）函數作為DataFrame類的一部分。但是，使用此功能呈現的可視化不是互動式的，這使得它沒那麼吸引人。同樣，使用pandas.DataFrame.plot（）函數繪製圖表也不能實現交互。如果我們需要在不對代碼進行重大修改的情況下用Pandas繪製互動式圖表怎麼辦呢？這個時候就可以用Cufflinks庫來實現。

Cufflinks庫可以將有強大功能的plotly和擁有靈活性的pandas結合在一起，非常便於繪圖。下面就來看在pandas中如何安裝和使用Cufflinks庫。

安裝

pip install plotly

# Plotly is a pre-requisite before installing cufflinks

pip install cufflinks

用法

#importing Pandas

import pandas as pd

#importing plotly and cufflinks in offline mode

import cufflinks as cf

import plotly.offline

cf.go_offline()

cf.set_config_file(offline=False, world_readable=True)

是時候展示泰坦尼克號數據集的魔力了。

df.iplot()

df.iplot() vs df.plot()

右側的可視化顯示了靜態圖表，而左側圖表是互動式的，更詳細，並且所有這些在語法上都沒有任何重大更改。

Magic命令

Magic命令是Jupyter notebook中的一組便捷功能，旨在解決標準數據分析中的一些常見問題。使用命令％lsmagic可以看到所有的可用命令。

所有可用的Magic命令列表

Magic命令有兩種：行magic命令（line magics），以單個％字元為前綴，在單行輸入操作；單元magic命令（cell magics），以雙%%字元為前綴，可以在多行輸入操作。如果設置為1，則不用鍵入%即可調用Magic函數。

接下來看一些在常見數據分析任務中可能用到的命令：

% pastebin

％pastebin將代碼上傳到Pastebin並返回url。Pastebin是一個在線內容託管服務，可以存儲純文本，如源代碼片段，然後通過url可以與其他人共享。事實上，Github gist也類似於pastebin，只是有版本控制。

在file.py文件中寫一個包含以下內容的python腳本，並試著運行看看結果。

#file.py

def foo(x):

return x

在Jupyter Notebook中使用％pastebin生成一個pastebin url。

%matplotlib notebook

函數用於在Jupyter notebook中呈現靜態matplotlib圖。用notebook替換inline，可以輕鬆獲得可縮放和可調整大小的繪圖。但記得這個函數要在導入matplotlib庫之前調用。

%run

用％run函數在notebook中運行一個python腳本試試。

%run file.py

%%writefile

%% writefile是將單元格內容寫入文件中。以下代碼將腳本寫入名為foo.py的文件並保存在當前目錄中。

%%latex

%%latex函數將單元格內容以LaTeX形式呈現。此函數對於在單元格中編寫數學公式和方程很有用。

查找並解決錯誤

互動式調試器也是一個神奇的功能，我把它單獨定義了一類。如果在運行代碼單元時出現異常，請在新行中鍵入％debug並運行它。這將打開一個互動式調試環境，它能直接定位到發生異常的位置。還可以檢查程序中分配的變數值，並在此處執行操作。退出調試器單擊q即可。

Printing也有小技巧

如果您想生成美觀的數據結構，pprint是首選。它在列印字典數據或JSON數據時特別有用。接下來看一個使用print和pprint來顯示輸出的示例。

讓你的筆記脫穎而出

我們可以在您的Jupyter notebook中使用警示框/注釋框來突出顯示重要內容或其他需要突出的內容。注釋的顏色取決於指定的警報類型。只需在需要突出顯示的單元格中添加以下任一代碼或所有代碼即可。

藍色警示框：信息提示

p class=”alert alert-block alert-info”

bTip:/b Use blue boxes (alert-info) for tips and notes.

If it』s a note, you don』t have to include the word 「Note」.

黃色警示框：警告

p class=”alert alert-block alert-warning”

bExample:/b Yellow Boxes are generally used to include additional examples or mathematical formulas.

綠色警示框：成功

p class=”alert alert-block alert-success”

Use green box only when necessary like to display links to related content.

紅色警示框：高危

p class=”alert alert-block alert-danger”

It is good to avoid red boxes but can be used to alert users to not delete some important part of code etc.

列印單元格所有代碼的輸出結果

假如有一個Jupyter Notebook的單元格，其中包含以下代碼行：

In [1]: 10+5

11+6

Out [1]: 17

單元格的正常屬性是只列印最後一個輸出，而對於其他輸出，我們需要添加print()函數。然而通過在notebook頂部添加以下代碼段可以一次列印所有輸出。

添加代碼後所有的輸出結果就會一個接一個地列印出來。

In [1]: 10+5

11+6

12+7

Out [1]: 15

Out [1]: 17

Out [1]: 19

恢復原始設置：

InteractiveShell.ast_node_interactivity = “last_expr”

使用’i’選項運行python腳本

從命令行運行python腳本的典型方法是：python hello.py。但是，如果在運行相同的腳本時添加-i，例如python -i hello.py，就能提供更多優勢。接下來看看結果如何。

首先，即使程序結束，python也不會退出解釋器。因此，我們可以檢查變數的值和程序中定義的函數的正確性。

其次，我們可以輕鬆地調用python調試器，因為我們仍然在解釋器中：

import pdb

pdb.pm()

這能定位異常發生的位置，然後我們可以處理異常代碼。

自動評論代碼

Ctrl / Cmd + /自動注釋單元格中的選定行，再次命中組合將取消注釋相同的代碼行。

刪除容易恢復難

你有沒有意外刪除過Jupyter notebook中的單元格？如果答案是肯定的，那麼可以掌握這個撤消刪除操作的快捷方式。

如果您刪除了單元格的內容，可以通過按CTRL / CMD + Z輕鬆恢復它。

如果需要恢復整個已刪除的單元格，請按ESC + Z或EDIT撤消刪除單元格。

結論

在本文中，我列出了使用Python和Jupyter notebook時收集的一些小提示。我相信它們會對你有用，能讓你有所收穫，從而實現輕鬆編碼！

常見的場景分類演算法有哪些

【嵌牛導讀】：本文主要介紹一些常見的基於深度學習的場景分類

【嵌牛鼻子】：深度學習，場景分類

【嵌牛提問】：基於深度學習的常見分類演算法有哪些？

【嵌牛正文】：

目前出現的相對流行的場景分類方法主要有以下三類：

這種分類方法以對象為識別單位，根據場景中出現的特定對象來區分不同的場景；

基於視覺的場景分類方法大部分都是以對象為單位的，也就是說，通過識別一些有

代表性的對象來確定自然界的位置。典型的基於對象的場景分類方法有以下的中間步驟：

特徵提取、重組和對象識別。

缺點：底層的錯誤會隨著處理的深入而被放大。例如，上位層中小對象的識別往往會受到下屬層

相機感測器的原始雜訊或者光照變化條件的影響。尤其是在寬敞的環境下，目標往往會非常分散，

這種方法的應用也受到了限制。需要指出的是，該方法需要選擇特定環境中的一些固定對

象，一般使用深度網路提取對象特徵，並進行分類。

除了傳統的卷積層、pooling層、全連接層。AlexNet加入了

（1）非線性激活函數：ReLU；

（2）防止過擬合的方法：Dropout，Dataaugmentation。同時，使用多個GPU，LRN歸一化層。

不同於AlexNet的地方是：VGG-Net使用更多的層，通常有16－19層，而AlexNet只有8層。

同時，VGG-Net的所有 convolutional layer 使用同樣大小的 convolutional filter，大小為 3 x 3。

提出的Inception結構是主要的創新點，這是（Network In Network）的結構，即原來的結點也是一個網路。

在單層卷積層上使用不同尺度的卷積核就可以提取不同尺寸的特徵，單層的特徵提取能力增強了。其使用之後整個網路結構的寬度和深度都可擴大，能夠帶來2-3倍的性能提升。

ResNet引入了殘差網路結構（residual network），通過在輸出與輸入之間引入一個shortcut connection,而不是簡單的堆疊網路，這樣可以解決網路由於很深出現梯度消失的問題，從而可可以把網路做的很深。這種方法目前也是業界最高水準了。

首先通過目標候選候選區域選擇演算法，生成一系列候選目標區域，

然後通過深度神經網路提取候選目標區域特徵，並用這些特徵進行分類。

技術路線：selective search + CNN + SVMs

演算法：Fast-R-CNN

步驟：輸入一幅圖像和Selective Search方法生成的一系列Proposals，通過一系列卷積層

和Pooling層生成feature map,然後用RoI（region ofineterst）層處理最後一個卷積層

得到的feature map為每一個proposal生成一個定長的特徵向量roi_pool5。

RoI層的輸出roi_pool5接著輸入到全連接層, 產生最終用於多任務學習的特徵並用於

計算多任務Loss。

全連接輸出包括兩個分支：

1.SoftMax Loss:計算K+1類的分類Loss函數，其中K表示K個目標類別。

2.RegressionLoss:即K+1的分類結果相應的Proposal的Bounding Box四個角點坐標值。

最終將所有結果通過非極大抑制處理產生最終的目標檢測和識別結果。

Faster-R-CNN演算法由兩大模塊組成：1.PRN候選框提取模塊 2.Fast R-CNN檢測模塊。

其中，RPN是全卷積神經網路，通過共享卷積層特徵可以實現proposal的提取；

FastR-CNN基於RPN提取的proposal檢測並識別proposal中的目標。

這類方法不同於前面兩種演算法，而將場景圖像看作全局對象而非圖像中的某一對象或細節，

這樣可以降低局部雜訊對場景分類的影響。

將輸入圖片作為一個特徵，並提取可以概括圖像統計或語義的低維特徵。該類方法的目的

即為提高場景分類的魯棒性。因為自然圖片中很容易摻雜一些隨機雜訊，這類雜訊會對

局部處理造成災難性的影響，而對於全局圖像卻可以通過平均數來降低這種影響。

基於上下文的方法，通過識別全局對象，而非場景中的小對象集合或者準確的區域邊界，

因此不需要處理小的孤立區域的雜訊和低級圖片的變化，其解決了分割和目標識別分類方法遇到的問題。

步驟：通過 Gist 特徵提取場景圖像的全局特徵。Gist 特徵是一種生物啟發式特徵，

該特徵模擬人的視覺，形成對外部世界的一種空間表

示，捕獲圖像中的上下文信息。Gist 特徵通過多尺度

多方向 Gabor 濾波器組對場景圖像進行濾波，將濾波後

的圖像劃分為 4 × 4 的網格，然後各個網格採用離散傅

里葉變換和窗口傅里葉變換提取圖像的全局特徵信息。

原創文章，作者：OHOV，如若轉載，請註明出處：https://www.506064.com/zh-tw/n/139116.html