使用OpenCV-python对植物图片进行分类

图片分类的思路和需要加载的库函数说明

图片分类的基本思路如下

1. 首先需要有一个标注好图片里面花朵名称的数据集，例如命名好的rose.png
2. 特征提取，即提取图片中的重要特征（能区别于其他图片的特征），并把重要特征加工成可以训练的数据，因为每种花的颜色分布不同，这里的思路是计算图片的彩色直方图信息，作为图片的特征。
3. 标签提取，即把图片标注加工成数值信息，这里的思路是把图片的字符串名字转换成唯一的数字序列。
4. 挑选一个分类器模型，例如随机森林分类器，然后划分训练集和测试集进行训练，得到学习器，即分类模型。
5. 用这个训练好的模型，对图片进行分离，即利用模型预测。

需要使用的库函数和功能说明

# 标签处理
from sklearn.preprocessing import LabelEncoder

# 随机森林分类器模型
from sklearn.ensemble import RandomForestClassifier

# 对数据集进行有效划分的方法，划分成训练集和测试集
# from sklearn.cross_validation import train_test_split
# 在python新版本中，train_test_split被移动到model_selection中
from sklearn.model_selection import train_test_split

# 分类器性能评估报告
from sklearn.metrics import classification_report

# 基本矩阵运算库
import numpy as np

# 文件操作模块，主要是进行文件搜索和通配符操作
import glob

# opencv函数库
import cv2 

核心代码分析

数据预处理：文件处理和命名匹配

glob函数使用参考：python glob model - 漩涡鸣人 - 博客园

# 加载所有的图片和蒙版
imagePath = "dataset/images"
maskPath  = "dataset/masks"
# 利用sorted函数实现名字的一一对应，对每个图片进行蒙版的加载
imagePaths = sorted(glob.glob(imagePath + "/*.png"))
maskPaths  = sorted(glob.glob(maskPath + "/*.png"))

数据预处理：特征提取和标签提取

# 计算直方图，返回的是均一化之后的彩色直方图数据
features = desc.describe(image,mask)
# 构造测试数据集的特征信息集合
data.append(features)
# 注意图片的命名格式为"image_crocus_0001.png"，我们需要提取的"crocus"是倒数第二个
target.append(imagePath.split("_")[-2])
# 初始化一个打标签的对象
le = LabelEncoder()
# 对target进行数字化标签index（因为字符串这种特征是不能直接拿来训练的，需要转换成唯一的数值）
target = le.fit_transform(target)

标签处理：unique()和fit_transform()的用法

target = ["happy","birthday","happy","wedding","happy","ending"<