CV学习：传统（机器学习）图像识别（分类）

一、传统图像分类的技术框架

传统图像分类的核心流程可归纳为特征提取-特征选择-模型训练-分类预测四步闭环。与深度学习端到端模式不同，传统方法需人工设计特征并选择分类器，其技术优势在于可解释性强、计算资源需求低，适合数据量较小或对实时性要求高的场景。

1.1 特征工程：从像素到语义的转换

特征提取是传统方法的核心竞争力，常见方法包括：

• 颜色特征：HSV直方图、颜色矩、颜色聚合向量（CAV）

  import cv2
  import numpy as np
  def extract_color_hist(img_path, bins=8):
      img = cv2.imread(img_path)
      img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
      hist = cv2.calcHist([img], [0,1], None, [bins,bins], [0,180,0,256])
      return cv2.normalize(hist, None).flatten()

• 纹理特征：LBP（局部二值模式）、GLCM（灰度共生矩阵）

  from skimage.feature import local_binary_pattern
  def extract_lbp(img_path, radius=3, n_points=24):
      img = cv2.imread(img_path, 0)
      lbp = local_binary_pattern(img, n_points, radius, 'uniform')
      hist, _ = np.histogram(lbp, bins=np.arange(0, n_points+3), range=(0, n_points+2))
      return hist.astype(float) / hist.sum()

• 形状特征：Hu矩、Zernike矩、边缘方向直方图

1.2 特征选择与降维

高维特征易导致”维度灾难”，需通过PCA、LDA等算法进行降维。以PCA为例：

from sklearn.decomposition import PCA
def apply_pca(features, n_components=0.95):
    pca = PCA(n_components=n_components)
    reduced_features = pca.fit_transform(features)
    print(f"保留{pca.n_components_}个主成分，解释方差比例：{sum(pca.explained_variance_ratio_):.2f}")
    return reduced_features

二、经典分类算法实战

2.1 支持向量机（SVM）

SVM通过核函数将数据映射到高维空间寻找最优分割超平面。RBF核函数在图像分类中表现优异：

from sklearn.svm import SVC
def train_svm(X_train, y_train):
    svm = SVC(kernel='rbf', C=10, gamma=0.001)
    svm.fit(X_train, y_train)
    return svm

调参建议：通过网格搜索优化C（正则化参数）和gamma（核函数系数），典型参数范围C∈[0.1,100]，gamma∈[0.0001,0.1]。

2.2 随机森林与集成学习

随机森林通过构建多棵决策树提升泛化能力：

from sklearn.ensemble import RandomForestClassifier
def train_rf(X_train, y_train, n_estimators=100):
    rf = RandomForestClassifier(n_estimators=n_estimators, 
                               max_depth=None,
                               criterion='gini')
    rf.fit(X_train, y_train)
    return rf

特征重要性分析：

importances = rf.feature_importances_
indices = np.argsort(importances)[::-1]
for f in range(X_train.shape[1]):
    print(f"{indices[f]}: {importances[indices[f]]:.4f}")

2.3 传统方法与深度学习的对比

维度	传统方法	深度学习
特征工程	需人工设计	自动学习
数据需求	千级样本即可	需万级以上数据
计算资源	CPU可运行	需GPU加速
可解释性	高（可分析特征贡献）	低（黑箱模型）
适用场景	工业检测、医疗影像等结构化数据	自然场景、复杂纹理数据

三、完整项目实战：手写数字识别

3.1 数据准备与预处理

使用MNIST数据集，进行尺寸归一化与灰度化：

from sklearn.datasets import load_digits
digits = load_digits()
X = digits.images.reshape((len(digits.images), -1))  # 展开为向量
y = digits.target

3.2 特征提取组合

结合HOG（方向梯度直方图）与LBP特征：

from skimage.feature import hog
def extract_combined_features(images):
    features = []
    for img in images:
        # HOG特征
        hog_feat = hog(img, orientations=8, pixels_per_cell=(8,8),
                      cells_per_block=(1,1), visualize=False)
        # LBP特征
        lbp_feat = extract_lbp(img.reshape(8,8))
        features.append(np.concatenate([hog_feat, lbp_feat]))
    return np.array(features)

3.3 模型训练与评估

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
# SVM分类
svm = train_svm(X_train, y_train)
print("SVM准确率:", svm.score(X_test, y_test))
# 随机森林分类
rf = train_rf(X_train, y_train)
print("随机森林准确率:", rf.score(X_test, y_test))

四、性能优化策略

4.1 数据增强技术

通过旋转、平移、缩放增加样本多样性：

from skimage.transform import rotate, warp
def augment_image(image):
    # 随机旋转
    rotated = rotate(image, np.random.uniform(-15,15), resize=True)
    # 随机平移
    shift_x, shift_y = np.random.randint(-2,3,2)
    rows, cols = image.shape
    M = np.float32([[1,0,shift_x],[0,1,shift_y]])
    translated = cv2.warpAffine(rotated, M, (cols,rows))
    return translated

4.2 模型融合技术

采用投票机制组合多个分类器：

from sklearn.ensemble import VotingClassifier
def create_voting_classifier(X_train, y_train):
    models = [
        ('svm', SVC(probability=True, kernel='rbf')),
        ('rf', RandomForestClassifier(n_estimators=200)),
        ('knn', KNeighborsClassifier(n_neighbors=5))
    ]
    voting = VotingClassifier(estimators=models, voting='soft')
    voting.fit(X_train, y_train)
    return voting

五、行业应用案例

5.1 工业质检领域

某汽车零部件厂商采用传统方法实现缺陷检测：

• 特征设计：结合Gabor滤波器提取纹理特征+边缘密度统计
• 分类器选择：采用级联AdaBoost分类器
• 性能指标：在5000样本数据集上达到98.7%的准确率，单张图像检测时间<50ms

5.2 医疗影像分析

皮肤病诊断系统实现方案：

• 预处理：HSV空间色斑分割+形态学处理
• 特征提取：ABCD规则（不对称性、边界、颜色、直径）量化特征
• 分类模型：SVM+逻辑回归混合模型
• 临床验证：在2000例皮肤镜图像上达到92.3%的敏感度

六、学习路径建议

1. 基础阶段：掌握OpenCV图像处理库，实现SIFT/SURF特征提取
2. 进阶阶段：深入理解SVM核函数原理，完成手写数字识别项目
3. 实战阶段：参与Kaggle图像分类竞赛，尝试特征工程+模型调优
4. 拓展阶段：研究迁移学习在传统方法中的应用（如预训练CNN特征+SVM）

推荐学习资源：

• 书籍：《计算机视觉：算法与应用》（Richard Szeliski）
• 论文：《Histograms of Oriented Gradients for Human Detection》（Dalal & Triggs）
• 工具包：scikit-image、OpenCV、Mahotas

传统机器学习方法在特定场景下仍具有不可替代性，其核心价值在于将领域知识转化为可计算的特征。建议开发者建立”特征-模型-评估”的完整思维体系，通过持续实践掌握特征设计的艺术。