Мухин Иван. Группа 3821Б1ПМоп3. Лабораторная работа №3.

MukhinIS/lab3/README.md

@@ -0,0 +1,12 @@
+# Классификация изображений с помощью бибилиотеки OpenCV.
+
+Структура лабораторной работы:
+1. Для обработки изображений используется программный интерфейс `Data`, внутри которого:
+    * `__init__` - конструктор класса, который принимает путь до датасета, размер тренировочной и тестовой выборок,
+    после чего происходит перемешивание путей до изображений;
+    * `load_images` - метод класса, который загружает и сохраняет в списки изображения для тестовой и тренировочной
+    выборок;
+2. Для обработки детекторов используется программный интерфейс `Model`, внутри которого:
+    * `__init__` - конструктор класса, принимающий количество кластеров, после чего создает детектор `SIFT`;
+    * `extract_features` - метод, который применяет детектор на выборке и выделяет из них дескрипторы ключевых точек;
+

MukhinIS/lab3/not_deep_learning_classifer.py

@@ -0,0 +1,144 @@
+import cv2 as cv
+import numpy as np
+import os
+from sklearn.svm import SVC
+from sklearn.ensemble import GradientBoostingClassifier, RandomForestClassifier
+from sklearn.cluster import KMeans
+from sklearn.metrics import accuracy_score
+import argparse
+import sys
+import random
+
+
+def cli_argument_parser():
+    parser = argparse.ArgumentParser()
+
+    parser.add_argument('-d', '--data',
+                        help='Path to directory with "Cat" and "Dog"'
+                             'subdirectories',
+                        type=str,
+                        required=False,
+                        dest='data_path')
+    parser.add_argument('--train_size',
+                        help='Size of train dataset',
+                        type=int,
+                        required=False,
+                        dest='train_size')
+    parser.add_argument('--test_size',
+                        help='Size of test dataset',
+                        type=int,
+                        required=False,
+                        dest='test_size')
+    parser.add_argument('--clusters',
+                        help='Number of clusters',
+                        type=int,
+                        required=False,
+                        default=50,
+                        dest='clusters')
+    parser.add_argument('--method',
+                        help='Classifer',
+                        type=str,
+                        required=False,
+                        dest='method')
+    args = parser.parse_args()
+
+    return args
+
+
+class Data:
+    def __init__(self, data_path, train_size, test_size):
+        self.data = data_path
+        self.train_size = train_size
+        self.test_size = test_size
+        self.folder_cat = [os.path.abspath(f'{self.data}/Cat/{i}') for i in os.listdir(self.data + '/Cat')]
+        self.folder_dog = [os.path.abspath(f'{self.data}/Dog/{i}') for i in os.listdir(self.data + '/Dog')]
+        self.folder_all = self.folder_dog + self.folder_cat
+        random.shuffle(self.folder_all)
+        self.train = self.folder_all[0:self.train_size]
+        self.test = self.folder_all[self.train_size:self.train_size + self.test_size]
+
+    def load_images(self):
+        images_train, images_test = [], []
+        labels_train, labels_test = [], []
+        for filename_train in self.train:
+            label = 0 if filename_train.split('/')[-2] == 'Cat' else 1
+            path = os.path.join(self.data, filename_train)
+            img = cv.imread(path, cv.IMREAD_GRAYSCALE)
+            if img is not None:
+                img = cv.resize(img, (256, 256))
+                images_train.append(img)
+                labels_train.append(label)
+        for filename_test in self.test:
+            label = 0 if filename_train.split('/')[-2] == 'Cat' else 1
+            path = os.path.join(self.data, filename_test)
+            img = cv.imread(path, cv.IMREAD_GRAYSCALE)
+            if img is not None:
+                img = cv.resize(img, (256, 256))
+                images_test.append(img)
+                labels_test.append(label)
+        return images_train, labels_train, images_test, labels_test
+
+
+class Model:
+    def __init__(self, clusters):
+        self.sift = cv.SIFT_create(nfeatures=500)
+        self.clusters = clusters
+
+    def extract_features(self, images):
+        self.descriptors = []
+        for image in images:
+            kp, dp = self.sift.detectAndCompute(image, None)
+            if dp is not None:
+                self.descriptors.append(dp)
+        return self.descriptors
+
+    def create_bow(self):
+        self.kmeans = KMeans(self.clusters)
+        self.kmeans.fit(np.vstack(self.descriptors))
+
+    def bow_features(self, images):
+        features = []
+        for img in images:
+            _, descriptors = self.sift.detectAndCompute(img, None)
+            if descriptors is not None:
+                histogram = np.zeros(self.clusters)
+                cluster_indices = self.kmeans.predict(descriptors)
+                for idx in cluster_indices:
+                    histogram[idx] += 1
+                features.append(histogram)
+            else:
+                features.append(np.zeros(self.clusters))
+        return np.array(features)
+
+
+def main():
+    args = cli_argument_parser()
+    data = Data(args.data_path, args.train_size, args.test_size)
+    images_train, labels_train, images_test, labels_test = data.load_images()
+    model = Model(args.clusters)
+    model.extract_features(images_train)
+    model.create_bow()
+    train_features = model.bow_features(images_train)
+    test_features = model.bow_features(images_test)
+    classifer = None
+    if args.method == 'forest':
+        classifer = RandomForestClassifier()
+    elif args.method == 'grad':
+        classifer = GradientBoostingClassifier()
+    elif args.method == 'svc':
+        classifer = SVC(kernel='rbf', probability=True, gamma=0.01)
+    else:
+        classifer= GradientBoostingClassifier()
+
+    classifer.fit(train_features, labels_train)
+    predictions_train = classifer.predict(train_features)
+    predictions_test = classifer.predict(test_features)
+    acc_train = accuracy_score(labels_train, predictions_train)
+    acc_test = accuracy_score(labels_test, predictions_test)
+    print(f'Accuracy on train data = {acc_train}')
+    print(f'Accuracy on test data = {acc_test}')
+
+
+if __name__=='__main__':
+    sys.exit(main() or 0)
+