【火爐煉AI】機器學習051-視覺詞袋模型+極端隨機森林建立影象分類器

摘要： (本文所使用的Python庫和版本號: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2 ) 視覺詞袋模型（Bag Of Visual Words，BOVW）來源於自然語言處理中的詞袋模型（Bag Of Words， BO...

(本文所使用的Python庫和版本號: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2 )

視覺詞袋模型（Bag Of Visual Words，BOVW）來源於自然語言處理中的詞袋模型（Bag Of Words， BOW），關於詞袋模型，可以參考我的博文 ofollow,noindex">【火爐煉AI】機器學習038-NLP建立詞袋模型 .在NLP中，BOW的核心思想是將一個文件當做一個袋子，裡面裝著各種各樣的單詞，根據單詞出現的頻次或權重來衡量某個單詞的重要性。BOW的一個重要特性是不考慮單詞出現的順序，句子語法等因素。

視覺詞袋模型BOVW是將BOW的核心思想應用於影象處理領域的一種方法，為了表示一幅影象，我們可以將影象看做文件，即若干個“視覺單詞”的集合，和BOW一樣，不考慮這些視覺單詞出現的順序，故而BOVW的一個缺點是忽視了畫素之間的空間位置資訊（當然，針對這個缺點有很多改進版本）。BOVW的核心思想可以從下圖中看出一二。

有人要問了，提取影象的特徵方法有很多，比如SIFT特徵提取器，Star特徵提取器等，為什麼還要使用BOVW模型來表徵影象了？因為SIFT，Star這些特徵提取器得到的特徵向量是多維的，比如SIFT向量是128維，而且一幅影象通常會包含成百上千個SIFT向量，在進行下游機器學習計算時，這個計算量非常大，效率很低，故而通常的做法是用聚類演算法對這些特徵向量進行聚類，然後用聚類中的一個簇代表BOVW中的一個視覺單詞，將同一幅影象的SIFT向量對映到視覺視覺單詞序列，生成視覺碼本，這樣，每一幅影象都可以用一個視覺碼本向量來描述，在後續的計算中，效率大大提高，有助於大規模的影象檢索。

關於BOVW的更詳細描述，可以參考博文： 視覺詞袋模型BOW學習筆記及matlab程式設計實現

1. 使用BOVW建立影象資料集

BOVW主要包括三個關鍵步驟：

1，提取影象特徵：提取演算法可以使用SIFT，Star，HOG等方法，比如使用SIFT特徵提取器，對資料集中的每一幅影象都使用SIFT後，每一個SIFT特徵用一個128維描述特徵向量表示,假如有M幅影象，一共提取出N個SIFT特徵向量。

2，聚類得到視覺單詞：最常用的是K-means，當然可以用其他聚類演算法，使用聚類對Ｎ個SIFT特徵向量進行聚類，K-means會將N個特徵向量分成K個簇，使得每個簇內部的特徵向量都具有非常高的相似度，而簇間的相似度較低，聚類後會得到K個聚類中心（在BOVW中，聚類中心被稱為視覺單詞）。計算每一幅影象的每一個SIFT特徵到這K個視覺單詞的距離，並將其對映到距離最近的一個簇中（即該視覺單詞的對應詞頻+1）。這樣，每一幅影象都變成了一個與視覺單詞相對應的詞頻向量。

3，構建視覺碼本：因為每一幅影象的SIFT特徵個數不相等，所以需要對這些詞頻向量進行歸一化，將每幅影象的SIFT特徵個數變為頻數，這樣就得到視覺碼本。

整個流程可以簡單地用下圖描述：

下面開始準備資料集，首先從Caltech256影象抽取3類，每一類隨機抽取20張圖片，組成一個小型資料集，每一個類別放在一個資料夾中，且資料夾的命名以數字和“-”開頭，數字就表示類別名稱。這個小資料集純粹是驗證演算法是否能跑通。如下為準備的資料集：

首先來看第一步的程式碼：提取影象特徵的程式碼：

def __img_sift_features(self,image):
'''
提取圖片image中的Star特徵的關鍵點，然後用SIFT特徵提取器進行計算，
得到N行128列的矩陣，每幅圖中提取的Star特徵個數不一樣，故而N不一樣，
但是經過SIFT計算之後，特徵的維度都變成128維。
返回該N行128列的矩陣
'''
keypoints=xfeatures2d.StarDetector_create().detect(image)
gray=cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
_,feature_vectors=xfeatures2d.SIFT_create().compute(gray,keypoints)
return feature_vectors
複製程式碼

然後將得到的所有圖片的N行128列特徵集合起來，組成M行128列特徵，構建一個聚類演算法，用這個演算法來對映得到含有32個聚類中心（視覺單詞）的模型，將這128列特徵對映到32個視覺單詞中（由於此處Kmeans我使用32個簇，故而得到32個視覺單詞，越複雜的專案，這個值要調整的越大，從幾百到幾千不等。），在統計每一個特徵出現的頻次，組成一個詞袋模型，如下程式碼：

def __map_feature_to_cluster(self,img_path):
'''從單張圖片中提取Star特徵矩陣（N行128列），
再將該特徵矩陣通過K-means聚類演算法對映到K個類別中，每一行特徵對映到一個簇中，得到N個簇標號的向量，
統計每一個簇中出現的特徵向量的個數，相當於統計詞袋中某個單詞出現的頻次。
'''
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) 
# 計算這些特徵在K個簇中的類別，得到N個數字，每個數字是0-31中的某一個，代表該Star特徵屬於哪一個簇
# eg [30 30 306 30 30 23 25 23 23 30 30 16 17 31 30 30 304 25]

# 統計每個簇中特徵的個數
vector_nums=np.zeros(self.clusters_num) # 32個元素
for num in cluster_labels:
vector_nums[num]+=1

# 將特徵個數歸一化處理：得到百分比而非個數
sum_=sum(vector_nums)
return [vector_nums/sum_] if sum_>0 else [vector_nums] # 一行32列，32 個元素組成的list
複製程式碼

上面僅僅是用一部分圖片來得到聚類中心，沒有用全部的影象，因為部分影象完全可以代表全部影象。

第三步：獲取多張圖片的視覺碼本，將這些視覺碼本組成一個P行32列的矩陣。

def __calc_imgs_clusters(self,img_path_list):
'''獲取多張圖片的視覺碼本，將這些視覺碼本組成一個P行32列的矩陣，P是圖片張數，32是聚類的類別數。
返回該P行32列的矩陣'''
img_paths=list(itertools.chain(*img_path_list)) # 將多層list展開
code_books=[]
[code_books.extend(self.__map_feature_to_cluster(img_path)) for img_path in img_paths]
return code_books
複製程式碼

完整的準備資料集的程式碼比較長，如下：

# 準備資料集
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+'/*-*') # 由於圖片資料夾的名稱是數字+‘-’開頭，故而可以用這個來獲取
img_paths=[]
for folder in folders:
class_label=folder.split('\\')[-1]
img_paths.append({class_label:glob(folder+'/*.'+self.img_ext)}) 
# 每一個元素都是一個dict，key為資料夾名稱，value為該資料夾下所有圖片的路徑組成的list
return img_paths

def __get_image(self,img_path,new_size=200):
def resize_img(image,new_size):
'''將image的長或寬中的最小值調整到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):
'''
提取圖片image中的Star特徵的關鍵點，然後用SIFT特徵提取器進行計算，
得到N行128列的矩陣，每幅圖中提取的Star特徵個數不一樣，故而N不一樣，
但是經過SIFT計算之後，特徵的維度都變成128維。
返回該N行128列的矩陣
'''
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):
'''獲取多張圖片的特徵向量，這些特徵向量是合併到一起的，最終組成M行128列的矩陣，返回該矩陣.
此處的M是每張圖片的特徵向量個數之和，即N1+N2+N3....'''
img_paths=list(itertools.chain(*img_path_list)) # 將多層list展開
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):
'''由於folders中含有大量圖片，故而取一小部分（max_samples）圖片來做K-means聚類。
'''
# 獲取要進行聚類的小部分圖片的路徑
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,# 建立聚類模型
n_init=10,
max_iter=10, tol=1.0)
cluster_model.fit(feature_vectors) # 對聚類模型進行訓練
# 將聚類模型儲存，以後就不需要再訓練了。
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):
'''從單張圖片中提取Star特徵矩陣（N行128列），
再將該特徵矩陣通過K-means聚類演算法對映到K個類別中，每一行特徵對映到一個簇中，得到N個簇標號的向量，
統計每一個簇中出現的特徵向量的個數，相當於統計詞袋中某個單詞出現的頻次。
'''
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) 
# 計算這些特徵在K個簇中的類別，得到N個數字，每個數字是0-31中的某一個，代表該Star特徵屬於哪一個簇
# eg [30 30 306 30 30 23 25 23 23 30 30 16 17 31 30 30 304 25]

# 統計每個簇中特徵的個數
vector_nums=np.zeros(self.clusters_num) # 32個元素
for num in cluster_labels:
vector_nums[num]+=1

# 將特徵個數歸一化處理：得到百分比而非個數
sum_=sum(vector_nums)
return [vector_nums/sum_] if sum_>0 else [vector_nums] # 一行32列，32 個元素組成的list

def __calc_imgs_clusters(self,img_path_list):
'''獲取多張圖片的視覺碼本，將這些視覺碼本組成一個P行32列的矩陣，P是圖片張數，32是聚類的類別數。
返回該P行32列的矩陣'''
img_paths=list(itertools.chain(*img_path_list)) # 將多層list展開
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):
'''從cluster_model_path中載入聚類模型，返回該模型，如果不存在或出錯，則呼叫函式準備聚類模型'''
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):
'''獲取單張圖片的視覺碼本，即一行32列的list，每個元素都是對應特徵出現的頻率'''
return self.__map_feature_to_cluster(img_path)
def get_imgs_code_books(self,img_path_list):
'''獲取多張圖片的視覺碼本，即P行32列的list，每個元素都是對應特徵出現的頻率'''
return self.__calc_imgs_clusters(img_path_list)
def get_all_img_code_books(self):
'''獲取img_folder中所有圖片的視覺碼本'''
return self.__calc_imgs_clusters(self.all_img_paths)
def get_img_labels(self):
'''獲取img_folder中所有圖片對應的label，可以從資料夾名稱中獲取'''
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):
'''獲取img_folder中所有圖片的視覺碼本和label，構成資料集'''
features=self.get_all_img_code_books()
labels=self.get_img_labels()
return np.c_[features,labels]
複製程式碼

2. 使用極端隨機森林建立模型

極端隨機森林是隨機森林演算法的一個提升版本，可以參考我以前的文章 【火爐煉AI】機器學習007-用隨機森林構建共享單車需求預測模型 .使用方法和隨機森林幾乎一樣。

# 極端隨機森林分類器
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)
複製程式碼

其實，這個分類器很簡單，沒必要寫成類的形式。

對該分類器進行訓練：

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)
複製程式碼

3. 使用訓練後模型預測新樣本

如下，我隨機測試三張圖片，均得到了比較好的結果。

# 用訓練好的model預測新圖片，看看它屬於哪一類
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)
複製程式碼

-------------------------------------輸---------出--------------------------------

[0] [1] [2]

--------------------------------------------完-------------------------------------

########################小**********結###############################

1，這個專案的難點在於視覺詞袋模型的理解和資料集準備，所以我將其寫成了類的形式，這個類具有一定的通用性，可以用於其他專案資料集的製備。

2，從這個專案可以看出視覺詞袋模型相對於原始的Star特徵的優勢：如果使用原來的Star特徵，一張圖片會得到N行128列的特徵數，而使用了BOVW模型，我們將N行128列的特徵資料對映到1行32列的空間中，所以極大的降低了特徵數，使得模型簡化，訓練和預測效率提高。

3，一旦準備好了資料集，就可以用各種常規的機器學習分類器進行分類，也可以用各種方法評估該分類器的優劣，比如效能報告，準確率，召回率等，由於這部分我在前面的文章中已經講過多次，故而此處省略。

#################################################################

注：本部分程式碼已經全部上傳到（ 我的github ）上，歡迎下載。

參考資料:

1, Python機器學習經典例項，Prateek Joshi著，陶俊傑，陳小莉譯