Machine-Learning
Simple image classification using various machine learning methods, including image feature extraction steps and feature dimensionality reduction visualization method.
用多种机器学习方法进行简单的图像分类（针对灰度图像，也可改为可见光图像），包括对图像的特征提取步骤及特征降维可视化方法。
1.Prepare Data
涉及到的文件包括：prapare_data.py, prepare_data.sh, feature2.py
1.1 数据采用如下格式存放
- |-- data
- |--train
- |--1
- |--2
- |-...
- |--test
- |--1
- |--2
- |-...
- |--train
1.2 运行说明
RF、Adaboost、SVM方法的数据准备使用prapare_data.py与prepare_data.sh两个文件进行准备;
knn、Bayes方法不需要数据准备，直接运行即可.
1.3 特征
图像的特征包括
SVD特征
Hu不变矩特征
均值对比度特征（MR）
亮度比(Pzor):比目标最亮点亮度小10%以内的像素点个数与目标总像素个数之间的比值
长宽比(minrectangle):目标最小外接矩形的长度与宽度之比值
SIFT特征
Harris特征
Fourier傅立叶描述子
2.Methods
涉及到的文件包括：RF_Adaboost.py,RF_Adaboost-multi_classes.py, SVM.py, SVM.sh, knn.py, knn.sh, cnn/, lib/
2.1 AdaBoost
RF_Adaboost.py和RF_Adaboost-multi_classes.py 分别针对步骤1提取到的特征，实现了图像的二分类与多分类。
2.2 Random Forest
RF_Adaboost.py和RF_Adaboost-multi_classes.py 分别针对步骤1提取到的特征，实现了图像的二分类与多分类。
2.3 SVM
- lib 直接从libSVM官网下载的py库文件
SVM.py
SVM.sh
2.4 KNN
knn.py
knn.sh
2.5 CNN
使用简单的神经网络进行图像分类
cnn/*
3.feature dimensionality reduction &visualization
data_visualization.py
实现了数据的三种降维方法
包括常见的LDA、PCA、T_SNE三种方法
并对结果进行可视化与保存，可以显示类别间的差异，验证特征的有效性与可分性
结果展示：
