點擊上方「新機器視覺」，選擇加"星標"或「置頂」
重磅乾貨，第一時間送達
分類
分類是對一組類別中單個實例對象劃分的技術術語。對象，還有現有的類別，是用特定的特徵來描述的，例如像素的顏色或者區域的形狀。為了定義類別，特徵必須被指定，例如通過已知對象的類別。在訓練之後，分類器將對象的特徵與有關類別的特徵做比較，並返回最大匹配的類別。根據所選的分類器，類別的可能性或者分類的可行度等可能額外的信息將被給出。
一般來說，可以區分兩種對圖像數據的分類方法。一種方法是基於單純的像素分類，並且基於顏色或者紋理去分割圖像。另一種方法則更廣泛，分類任意特徵，例如你可以基於區域特徵去分類區域，如形狀，大小，或者顏色。對於這裡介紹的編程方法，找重點放在第一種方法上。需要注意的是，實際上HALCON提供的OCR及時一種廣義的分類方法，其具有特定的算子。
HALCON提供了不同的分類器，最重要的分類器識神經網絡（多層感知機或者MLP）分類器，支持向量機（SVM）分類器，高斯混合模型（GMM）分類器，和K最近鄰（KNN）分類器。另外，盒分類器也是可行的，但是由於GMM分類會引起可比性的結果且也更穩定，這裡僅僅去描述GMM分類器。再者，更「簡單」的分類器也能用於圖像的分割，這些分類器中包含了2維像素分類class_2dim_sup或者class_ndim_norm，其可以被用來僅僅歐式分類，但這些方法的不靈活的，所以重點還是放在MLP,SVM,GMM,和k-NN分類器。如果你想用「簡單」分類器之一，請查看對應的例子即可。
對於特定任務，決定使用哪個分類器，且對於所選分類選擇合適的參數則更具有挑戰性，因為每個分類任務是不同的，因而需要不同的處理。HALCON提供了一些算子用於分類，在許多情況下，對於特定的任務和特定的訓練數據，你必須嘗試使用不同的分類器。除了所選用的方法，在幾乎任何情況下，你必須去結合參數去得到一個滿意的結果。允許額外的時間去測試，如果第一次測試沒有立刻得到滿意的結果，請不要灰心，分類是複雜的。
基本概念
分兩類由下面幾個基本步驟組成：
獲取圖像
當分類圖像的實收，對於訓練數據的產生和分類圖像，必須被獲取。
創建分類器
分類的第一步就是去創建一個新的分類器。這裡，你必須決定哪個分類器應用於你特定的分類任務。4個分類器（假設參數有一個最優的調整）的主要優勢和劣勢如下:
多層感知機：MLP分類器會有一個好的識別率且分類速度更快。作為交換，其訓練沒有SVM分類快，尤其對於巨大量的訓練集。如果分類是時間關鍵的，但訓練可以連線應用的話，MLP方法是一個好的選擇。一個拒絕類被返回，但是相比於GMM分類器，它可能會被利群點所影響，因而，推薦對拒絕類有一個額外精確的訓練。除此之外，如果你想額外的訓練樣本，你不應該追加再一個訓練，而是用老的和新的訓練樣本重複訓練。支持向量機：相比於MLP分類器，SVM分類會取得稍微更好的識別率和更快的訓練，尤其對於巨大量的訓練集。另外，新的訓練樣本的訓練可以被簡單的添加到先前的訓練。作為交換，其分類沒有MLP方法快，且並不能自動的獲取一個拒絕類。高斯混合模型：GMM分類的優勢是，由參數設置來控制，不匹配訓練類的特徵向量將被分配到一個拒絕類。另外，你可以在第一次訓練上應用第二次訓練，例如為了添加新的訓練樣本。GMM分類器的缺點是識別率沒有MLP或者SVM方法的好。還有，長度為15的特徵向量是被建議的，然而對於MLP和SVM分類器，500維的特徵向量也是可以的。K最近鄰：k-NN分類器的優勢之一是它具有很少且直觀的參數，同時，k-NN分類器可以用很少的訓練數據工作。原則上，每一類僅一個樣本就足夠得到合理的結果。K-NN分類器的訓練時所有分類器中最快的，其讓k-NN分類器對於自動特徵選擇和快速評估成為了首要選擇。缺點就是分類是相對較慢的，且分類結果沒有SVM和MLP分類器的好。根據所選的分類方法，你可用ceate_class_mlp,create_class_svm,create_class_gmm或者create_class_knn來創建分類器。
當創建了分類器，正確的參數設置對於後續分類的成功是至關重要的，對於不同的方法這些設置是很明確的。
訓練分類器
訓練由兩個重要的步驟組成，首先，用算子add_sample_class_mlp,add_sample_class_svm,add_sample_class_gmm,或者add_sample_class_knn將有代表性的訓練樣本，如每一類的一組特徵向量，添加到分類器中。如果你想用像素分類，如你想分割圖像為不同顏色或者紋理的區域，你可以用算子add_samples_image_class_mlp,add_samples_image_class_svm,add_samples_image_class_gmm，或者add_samples_image_class_knn。然後，你可以立馬插入一個單獨的多通道圖像，而不是許多特徵向量（每個像素一個）。在第二步，分類器可以用train_class_mlp,train_class_svm,train_class_gmm,或者train_class_knn訓練。需要注意的是在訓練階段複雜的計算被執行，因此，根據訓練樣本的數量和一些特定方法的影響，例如用於MLP分類的MLP大小，訓練可能花費數秒到幾個小時不等。
銷毀分類器
當你不再需要分類器的時候，依據所用的分類器，你可以用算子clear_class_mlp,clear_class_svm,clear_class_gmm,或者clear_class_knn去銷毀它。
來源：百家號 作者：老白說圖像
End
聲明：部分內容來源於網絡，僅供讀者學習、交流之目的。文章版權歸原作者所有。如有不妥，請聯繫刪除。