【火炉炼AI】机器学习051-视觉词袋模型+极端随机森林建立图像分类器
(本文所使用的Python库和版本号: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2 )
视觉词袋模型（Bag Of Visual Words，BOVW）来源于自然语言处理中的词袋模型（Bag Of Words， BOW），关于词袋模型，可以参考我的博文【火炉炼AI】机器学习038-NLP创建词袋模型.在NLP中，BOW的核心思想是将一个文档当做一个袋子，里面装着各种各样的单词，根据单词出现的频次或权重来衡量某个单词的重要性。BOW的一个重要特性是不考虑单词出现的顺序，句子语法等因素。
视觉词袋模型BOVW是将BOW的核心思想应用于图像处理领域的一种方法，为了表示一幅图像，我们可以将图像看做文档，即若干个“视觉单词”的集合，和BOW一样，不考虑这些视觉单词出现的顺序，故而BOVW的一个缺点是忽视了像素之间的空间位置信息（当然，针对这个缺点有很多改进版本）。BOVW的核心思想可以从下图中看出一二。
有人要问了，提取图像的特征方法有很多，比如SIFT特征提取器，Star特征提取器等，为什么还要使用BOVW模型来表征图像了？因为SIFT，Star这些特征提取器得到的特征矢量是多维的，比如SIFT矢量是128维，而且一幅图像通常会包含成百上千个SIFT矢量，在进行下游机器学习计算时，这个计算量非常大，效率很低，故而通常的做法是用聚类算法对这些特征矢量进行聚类，然后用聚类中的一个簇代表BOVW中的一个视觉单词，将同一幅图像的SIFT矢量映射到视觉视觉单词序列，生成视觉码本，这样，每一幅图像都可以用一个视觉码本矢量来描述，在后续的计算中，效率大大提高，有助于大规模的图像检索。
关于BOVW的更详细描述，可以参考博文：视觉词袋模型BOW学习笔记及matlab编程实现
1. 使用BOVW建立图像数据集
BOVW主要包括三个关键步骤：
1，提取图像特征：提取算法可以使用SIFT，Star，HOG等方法，比如使用SIFT特征提取器，对数据集中的每一幅图像都使用SIFT后，每一个SIFT特征用一个128维描述特征向量表示,假如有M幅图像，一共提取出N个SIFT特征向量。
2，聚类得到视觉单词：最常用的是K-means，当然可以用其他聚类算法，使用聚类对Ｎ个SIFT特征向量进行聚类，K-means会将N个特征向量分成K个簇，使得每个簇内部的特征向量都具有非常高的相似度，而簇间的相似度较低，聚类后会得到K个聚类中心（在BOVW中，聚类中心被称为视觉单词）。计算每一幅图像的每一个SIFT特征到这K个视觉单词的距离，并将其映射到距离最近的一个簇中（即该视觉单词的对应词频+1）。这样，每一幅图像都变成了一个与视觉单词相对应的词频矢量。
3，构建视觉码本：因为每一幅图像的SIFT特征个数不相等，所以需要对这些词频矢量进行归一化，将每幅图像的SIFT特征个数变为频数，这样就得到视觉码本。
整个流程可以简单地用下图描述：
下面开始准备数据集，首先从Caltech256图像抽取3类，每一类随机抽取20张图片，组成一个小型数据集，每一个类别放在一个文件夹中，且文件夹的命名以数字和“-”开头，数字就表示类别名称。这个小数据集纯粹是验证算法是否能跑通。如下为准备的数据集：
首先来看第一步的代码：提取图像特征的代码：
def __img_sift_features(self,image):
'''
提取图片image中的Star特征的关键点，然后用SIFT特征提取器进行计算，
得到N行128列的矩阵，每幅图中提取的Star特征个数不一样，故而N不一样，
但是经过SIFT计算之后，特征的维度都变成128维。
返回该N行128列的矩阵
'''
keypoints=xfeatures2d.StarDetector_create().detect(image)
gray=cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
_,feature_vectors=xfeatures2d.SIFT_create().compute(gray,keypoints)
return feature_vectors
复制代码然后将得到的所有图片的N行128列特征集合起来，组成M行128列特征，构建一个聚类算法，用这个算法来映射得到含有32个聚类中心（视觉单词）的模型，将这128列特征映射到32个视觉单词中（由于此处Kmeans我使用32个簇，故而得到32个视觉单词，越复杂的项目，这个值要调整的越大，从几百到几千不等。），在统计每一个特征出现的频次，组成一个词袋模型，如下代码：
def __map_feature_to_cluster(self,img_path):
'''从单张图片中提取Star特征矩阵（N行128列），
再将该特征矩阵通过K-means聚类算法映射到K个类别中，每一行特征映射到一个簇中，得到N个簇标号的向量，
统计每一个簇中出现的特征向量的个数，相当于统计词袋中某个单词出现的频次。
'''
img_feature_vectors=self.__img_sift_features(self.__get_image(img_path)) # N 行128列
cluster_labels=self.cluster_model.predict(img_feature_vectors)
# 计算这些特征在K个簇中的类别，得到N个数字，每个数字是0-31中的某一个，代表该Star特征属于哪一个簇
# eg [30 30 30 6 30 30 23 25 23 23 30 30 16 17 31 30 30 30 4 25]
# 统计每个簇中特征的个数
vector_nums=np.zeros(self.clusters_num) # 32个元素
for num in cluster_labels:
vector_nums[num]+=1
# 将特征个数归一化处理：得到百分比而非个数
sum_=sum(vector_nums)
return [vector_nums/sum_] if sum_>0 else [vector_nums] # 一行32列，32 个元素组成的list
复制代码上面仅仅是用一部分图片来得到聚类中心，没有用全部的图像，因为部分图像完全可以代表全部图像。
第三步：获取多张图片的视觉码本，将这些视觉码本组成一个P行32列的矩阵。
def __calc_imgs_clusters(self,img_path_list):
'''获取多张图片的视觉码本，将这些视觉码本组成一个P行32列的矩阵，P是图片张数，32是聚类的类别数。
返回该P行32列的矩阵'''
img_paths=list(itertools.chain(*img_path_list))
# 将多层list展开
code_books=[]
[code_books.extend(self.__map_feature_to_cluster(img_path)) for img_path in img_paths]
return code_books
复制代码完整的准备数据集的代码比较长，如下：
# 准备数据集
import cv2,itertools,pickle,os
from cv2 import xfeatures2d
from glob import glob
class DataSet:
def __init__(self,img_folder,cluster_model_path,img_ext='jpg',max_samples=12,clusters_num=32):
self.img_folder=img_folder
self.cluster_model_path=cluster_model_path
self.img_ext=img_ext
self.max_samples=max_samples
self.clusters_num=clusters_num
self.img_paths=self.__get_img_paths()
self.all_img_paths=[list(item.values())[0] for item in self.img_paths]
self.cluster_model=self.__load_cluster_model()
def __get_img_paths(self):
folders=glob(self.img_folder+'/*-*') # 由于图片文件夹的名称是数字+‘-’开头，故而可以用这个来获取
img_paths=[]
for folder in folders:
class_label=folder.split('\\')[-1]
img_paths.append({class_label:glob(folder+'/*.'+self.img_ext)})
# 每一个元素都是一个dict，key为文件夹名称，value为该文件夹下所有图片的路径组成的list
return img_paths
def __get_image(self,img_path,new_size=200):
def resize_img(image,new_size):
'''将image的长或宽中的最小值调整到new_size'''
h,w=image.shape[:2]
ratio=new_size/min(h,w)
return cv2.resize(image,(int(w*ratio),int(h*ratio)))
image=cv2.imread(img_path)
return resize_img(image,new_size)
def __img_sift_features(self,image):
'''
提取图片image中的Star特征的关键点，然后用SIFT特征提取器进行计算，
得到N行128列的矩阵，每幅图中提取的Star特征个数不一样，故而N不一样，
但是经过SIFT计算之后，特征的维度都变成128维。
返回该N行128列的矩阵
'''
keypoints=xfeatures2d.StarDetector_create().detect(image)
gray=cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
_,feature_vectors=xfeatures2d.SIFT_create().compute(gray,keypoints)
return feature_vectors
def __calc_imgs_features(self,img_path_list):
'''获取多张图片的特征矢量，这些特征矢量是合并到一起的，最终组成M行128列的矩阵，返回该矩阵.
此处的M是每张图片的特征矢量个数之和，即N1+N2+N3....'''
img_paths=list(itertools.chain(*img_path_list)) # 将多层list展开
feature_vectors=[]
[feature_vectors.extend(self.__img_sift_features(self.__get_image(img_path))) for img_path in img_paths]
return feature_vectors
def __create_save_Cluster(self):
'''由于folders中含有大量图片，故而取一小部分（max_samples）图片来做K-means聚类。
'''
# 获取要进行聚类的小部分图片的路径
cluster_img_paths=[list(item.values())[0][:self.max_samples] for item in self.img_paths]
feature_vectors=self.__calc_imgs_features(cluster_img_paths)
cluster_model = KMeans(self.clusters_num, # 建立聚类模型
n_init=10,
max_iter=10, tol=1.0)
cluster_model.fit(feature_vectors) # 对聚类模型进行训练
# 将聚类模型保存，以后就不需要再训练了。
with open(self.cluster_model_path,'wb+') as file:
pickle.dump(cluster_model,file)
print('cluster model is saved to {}.'.format(self.cluster_model_path))
return cluster_model
def __map_feature_to_cluster(self,img_path):
'''从单张图片中提取Star特征矩阵（N行128列），
再将该特征矩阵通过K-means聚类算法映射到K个类别中，每一行特征映射到一个簇中，得到N个簇标号的向量，
统计每一个簇中出现的特征向量的个数，相当于统计词袋中某个单词出现的频次。
'''
img_feature_vectors=self.__img_sift_features(self.__get_image(img_path)) # N 行128列
cluster_labels=self.cluster_model.predict(img_feature_vectors)
# 计算这些特征在K个簇中的类别，得到N个数字，每个数字是0-31中的某一个，代表该Star特征属于哪一个簇
# eg [30 30 30 6 30 30 23 25 23 23 30 30 16 17 31 30 30 30 4 25]
# 统计每个簇中特征的个数
vector_nums=np.zeros(self.clusters_num) # 32个元素
for num in cluster_labels:
vector_nums[num]+=1
# 将特征个数归一化处理：得到百分比而非个数
sum_=sum(vector_nums)
return [vector_nums/sum_] if sum_>0 else [vector_nums] # 一行32列，32 个元素组成的list
def __calc_imgs_clusters(self,img_path_list):
'''获取多张图片的视觉码本，将这些视觉码本组成一个P行32列的矩阵，P是图片张数，32是聚类的类别数。
返回该P行32列的矩阵'''
img_paths=list(itertools.chain(*img_path_list)) # 将多层list展开
code_books=[]
[code_books.extend(self.__map_feature_to_cluster(img_path)) for img_path in img_paths]
return code_books
def __load_cluster_model(self):
'''从cluster_model_path中加载聚类模型，返回该模型，如果不存在或出错，则调用函数准备聚类模型'''
cluster_model=None
if os.path.exists(self.cluster_model_path):
try:
with open(self.cluster_model_path, 'rb') as f:
cluster_model = pickle.load(f)
except:
pass
if cluster_model is None:
print('No valid model found, start to prepare model...')
cluster_model=self.__create_save_Cluster()
return cluster_model
def get_img_code_book(self,img_path):
'''获取单张图片的视觉码本，即一行32列的list，每个元素都是对应特征出现的频率'''
return self.__map_feature_to_cluster(img_path)
def get_imgs_code_books(self,img_path_list):
'''获取多张图片的视觉码本，即P行32列的list，每个元素都是对应特征出现的频率'''
return self.__calc_imgs_clusters(img_path_list)
def get_all_img_code_books(self):
'''获取img_folder中所有图片的视觉码本'''
return self.__calc_imgs_clusters(self.all_img_paths)
def get_img_labels(self):
'''获取img_folder中所有图片对应的label，可以从文件夹名称中获取'''
img_paths=list(itertools.chain(*self.all_img_paths))
return [img_path.rpartition('-')[0].rpartition('\\')[2] for img_path in img_paths]
def prepare_dataset(self):
'''获取img_folder中所有图片的视觉码本和label，构成数据集'''
features=self.get_all_img_code_books()
labels=self.get_img_labels()
return np.c_[features,labels]
复制代码2. 使用极端随机森林建立模型
极端随机森林是随机森林算法的一个提升版本，可以参考我以前的文章【火炉炼AI】机器学习007-用随机森林构建共享单车需求预测模型.使用方法和随机森林几乎一样。
# 极端随机森林分类器
from sklearn.ensemble import ExtraTreesClassifier
class CLF_Model:
def __init__(self,n_estimators=100,max_depth=16):
self.model=ExtraTreesClassifier(n_estimators=n_estimators,
max_depth=max_depth, random_state=12)
def fit(self,train_X,train_y):
self.model.fit(train_X,train_y)
def predict(self,newSample_X):
return self.model.predict(newSample_X)
复制代码其实，这个分类器很简单，没必要写成类的形式。
对该分类器进行训练：
dataset_df=pd.read_csv('./prepared_set.txt',index_col=[0])
dataset_X,dataset_y=dataset_df.iloc[:,:-1].values,dataset_df.iloc[:,-1].values
model=CLF_Model()
model.fit(dataset_X,dataset_y)
复制代码3. 使用训练后模型预测新样本
如下，我随机测试三张图片，均得到了比较好的结果。
# 用训练好的model预测新图片，看看它属于哪一类
new_img1='E:\PyProjects\DataSet\FireAI/test0.jpg'
img_code_book=dataset.get_img_code_book(new_img1)
predicted=model.predict(img_code_book)
print(predicted)
new_img2='E:\PyProjects\DataSet\FireAI/test1.jpg'
img_code_book=dataset.get_img_code_book(new_img2)
predicted=model.predict(img_code_book)
print(predicted)
new_img3='E:\PyProjects\DataSet\FireAI/test2.jpg'
img_code_book=dataset.get_img_code_book(new_img3)
predicted=model.predict(img_code_book)
print(predicted)
复制代码-------------------------------------输---------出--------------------------------
[0] [1] [2]
--------------------------------------------完-------------------------------------
########################小**********结###############################
1，这个项目的难点在于视觉词袋模型的理解和数据集准备，所以我将其写成了类的形式，这个类具有一定的通用性，可以用于其他项目数据集的制备。
2，从这个项目可以看出视觉词袋模型相对于原始的Star特征的优势：如果使用原来的Star特征，一张图片会得到N行128列的特征数，而使用了BOVW模型，我们将N行128列的特征数据映射到1行32列的空间中，所以极大的降低了特征数，使得模型简化，训练和预测效率提高。
3，一旦准备好了数据集，就可以用各种常规的机器学习分类器进行分类，也可以用各种方法评估该分类器的优劣，比如性能报告，准确率，召回率等，由于这部分我在前面的文章中已经讲过多次，故而此处省略。
#################################################################
注：本部分代码已经全部上传到（我的github）上，欢迎下载。
参考资料:
1, Python机器学习经典实例，Prateek Joshi著，陶俊杰，陈小莉译
