Козырева Екатерина. 3821Б1ФИ2. Практическая работа №3. Классификация изображений с использованием библиотеки OpenCV

KozyrevaEA/lab3/README.md

@@ -0,0 +1,25 @@
+# Практическая работа №3. Классификация изображений с использованием библиотеки OpenCV
+
+## Описание задачи
+В данной работе реализован алгоритм классификации изображений из датасета *dogs-vs-cats* с использованием метода "мешок слов". Работа выполнена на языке Python с использованием библиотеки OpenCV.
+
+## Алгоритм
+1. **Загрузка данных**: Из папки `train` загружаются изображения кошек и собак. Каждое изображение масштабируется до 128x128 пикселей.
+2. **Извлечение признаков**: Используется SIFT (Scale-Invariant Feature Transform) для извлечения ключевых точек и дескрипторов.
+3. **Построение мешка слов**: Кластеры признаков формируются с использованием алгоритма KMeans.
+4. **Создание гистограмм признаков**: Каждое изображение представлено гистограммой на основе кластеров.
+5. **Классификация**: Используется метод SVM с линейным ядром.
+6. **Оценка качества**: Рассчитывается точность, матрица ошибок и прочие метрики.
+
+## Результаты
+- Пример матрицы ошибок и отчета о классификации визуализируется в результате работы скрипта.
+
+## Требования
+- Python 3.x
+- OpenCV
+- scikit-learn
+- matplotlib
+- numpy
+
+## Запуск
+Для запуска скрипта: <code>python classification.py</code>

KozyrevaEA/lab3/classification.py

@@ -0,0 +1,110 @@
+import cv2
+import numpy as np
+import os
+from sklearn.cluster import KMeans
+from sklearn.svm import SVC
+from sklearn.metrics import accuracy_score, classification_report, confusion_matrix
+from sklearn.model_selection import train_test_split
+import matplotlib.pyplot as plt
+
+
+TRAIN_DIR = 'dogs-vs-cats/train'
+IMG_SIZE = 128  
+SIFT_FEATURES = 500  
+NUM_CLUSTERS = 50  
+
+def load_data():
+    """Загрузка данных и формирование меток."""
+    images, labels = [], []
+    for filename in os.listdir(TRAIN_DIR):
+        label = 0 if 'cat' in filename else 1
+        img_path = os.path.join(TRAIN_DIR, filename)
+        img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)
+        img = cv2.resize(img, (IMG_SIZE, IMG_SIZE))
+        images.append(img)
+        labels.append(label)
+    return np.array(images), np.array(labels)
+
+
+def extract_sift_features(images):
+    """Извлечение SIFT признаков для каждого изображения."""
+    sift = cv2.SIFT_create(nfeatures=SIFT_FEATURES)
+    all_descriptors = []
+    for img in images:
+        keypoints, descriptors = sift.detectAndCompute(img, None)
+        if descriptors is not None:
+            all_descriptors.append(descriptors)
+    return all_descriptors
+
+
+def create_bow(descriptors_list):
+    """Создание мешка слов."""
+    all_descriptors = np.vstack(descriptors_list)
+    kmeans = KMeans(n_clusters=NUM_CLUSTERS, random_state=42)
+    kmeans.fit(all_descriptors)
+    return kmeans
+
+
+def get_bow_features(images, kmeans):
+    """Создание гистограмм мешка слов для каждого изображения."""
+    sift = cv2.SIFT_create(nfeatures=SIFT_FEATURES)
+    features = []
+    for img in images:
+        _, descriptors = sift.detectAndCompute(img, None)
+        if descriptors is not None:
+            histogram = np.zeros(NUM_CLUSTERS)
+            cluster_indices = kmeans.predict(descriptors)
+            for idx in cluster_indices:
+                histogram[idx] += 1
+            features.append(histogram)
+        else:
+            features.append(np.zeros(NUM_CLUSTERS))
+    return np.array(features)
+
+
+def visualize_confusion_matrix(cm, classes):
+    """Визуализация матрицы ошибок."""
+    plt.imshow(cm, interpolation='nearest', cmap=plt.cm.Blues)
+    plt.title('Confusion Matrix')
+    plt.colorbar()
+    tick_marks = np.arange(len(classes))
+    plt.xticks(tick_marks, classes, rotation=45)
+    plt.yticks(tick_marks, classes)
+    plt.tight_layout()
+    plt.ylabel('True label')
+    plt.xlabel('Predicted label')
+    plt.show()
+
+if __name__ == "__main__":
+    # 1. Загрузка данных
+    images, labels = load_data()
+
+    # Разделение на обучающую и тестовую выборки
+    train_imgs, test_imgs, train_labels, test_labels = train_test_split(
+        images, labels, test_size=0.5, random_state=42
+    )
+
+    # 2. Извлечение SIFT признаков
+    train_descriptors = extract_sift_features(train_imgs)
+    test_descriptors = extract_sift_features(test_imgs)
+
+    # 3. Построение мешка слов
+    kmeans = create_bow(train_descriptors)
+
+    # 4. Преобразование в гистограммы
+    train_features = get_bow_features(train_imgs, kmeans)
+    test_features = get_bow_features(test_imgs, kmeans)
+
+    # 5. Классификация SVM
+    classifier = SVC(kernel='linear', random_state=42)
+    classifier.fit(train_features, train_labels)
+    predictions = classifier.predict(test_features)
+
+    # 6. Оценка качества
+    accuracy = accuracy_score(test_labels, predictions)
+    print(f"Accuracy: {accuracy:.2f}")
+    print(classification_report(test_labels, predictions, target_names=["Cat", "Dog"]))
+
+    # 7. Визуализация
+    cm = confusion_matrix(test_labels, predictions)
+    visualize_confusion_matrix(cm, classes=["Cat", "Dog"])