python中的图像分类

Question

我正在寻找一种方法来分类扫描的页面，它主要由文本组成。

以下是我问题的详细情况。我收集了大量扫描文件，需要检测这些文件中是否存在某些类型的页面。我计划将文档“突发”到它们的组成页面（每个页面都是一个单独的图像），并将每个图像分类为“A”或“B”。但我想不出最好的办法。

更多细节：

• 我有很多“A”和“B”图像（页）的例子，所以我可以做监督学习。
• 我不清楚如何从这些图像中提取出最适合训练的特征。E、 这些特征是什么？
• 页面偶尔会稍微旋转，所以如果分类对旋转和缩放（在较小程度上）不太敏感，那就更好了。
• 我想要一个跨平台的解决方案，最好是纯python或者使用公共库。
• 我考虑过使用OpenCV，但这似乎是一个“重磅”的解决方案。

编辑：

• “A”和“B”页的不同之处在于，“B”页上的表单具有相同的总体结构，包括条形码的存在。“A”页是自由文本。

Answer 1

因此，您希望能够使用特定元素来区分两种类型的页面——基本上是条形码的存在。有两个步骤：

1. 特征提取（计算机视觉）：查找兴趣点或兴趣线，这些兴趣点或兴趣线是条形码的特定特征，而不是文本。

2. 二值分类（统计学习）：根据提取的特征确定是否存在条形码。

---

在处理第一步时，您肯定应该看看Hough transform。它是理想的识别线在图像中，并可能是有用的条码检测。例如，阅读这些two pages。这是带OpenCV的examples。

---

关于第二步，最有用的分类将基于：

• k近邻
• 逻辑回归
• 随机林（在R中实现得很好，但我不知道Python）

Answer 2

首先，我想说，在我看来，OpenCV是一个非常好的工具，可以进行这种操作。此外，它还有一个很好描述的python接口here。

OpenCV是高度优化的，你的问题并不简单。

[全球编辑：我的想法重组]

以下是一些可以使用的功能：

• 为了检测条码，如果条码是隔离的，您可以尝试进行距离变换（OpenCV中的DistTransform）。也许你能用火柴或火柴形状找到兴趣点。我认为这是可行的，因为条形码应该有相同的形状（大小等）。兴趣点的得分可以作为一个特征。

• 图像的矩在这里可能很有用，因为您有不同类型的全局结构。这可能足以区分A&B页面（请参见openCV函数的there）（您将通过以下方式获得不变的描述符：）

• 你应该试着计算vertical gradient和horizontal gradient。条形码是vertical gradient==0和horizontal gradient的特定位置！=0。这个主要优势是这些操作的低成本，因为您的目标只是检查页面上是否有这样的区域。您可以找到兴趣区并将其分数用作功能

一旦拥有了自己的特性，就可以尝试进行supervised learning和测试泛化。你的问题只需要很少的false negative（因为你要扔掉一些页面），所以你应该用ROC曲线来评估你的性能，并仔细观察敏感度（应该很高）。 对于分类，你可以使用套索惩罚回归找到最好的特征。 whatnick的帖子也给出了商品的概念和其他描述（可能更一般）。

Answer 3

我将分三部分回答你的问题，因为你的问题显然是一个大问题，如果收集的页数不超过1000页，我强烈建议你用廉价劳动力手工解决。

第1部分： 特征提取-在“对象检测”字段中有大量特征可供选择。因为您的需求之一是旋转不变性，所以我建议使用SIFT/SURF类特性。你也可能觉得哈里斯角等合适。决定使用哪些特性需要专家知识，如果你有计算能力，我建议你创建一个很好的特性熔炉，并通过基于分类器训练的重要性估计。

第2部分： 分类器选择-我是Random Forest分类器的忠实粉丝。这个概念很容易掌握，并且具有高度的灵活性和非参数性。调整只需要很少的参数，您还可以在监督培训期间以参数选择模式运行它。

第3部分： 实现——Python本质上是一种粘合语言。用于图像处理的纯python实现永远不会很快。我建议将OpenCV用于特征检测，R用于统计工作和分类器。

这个解决方案可能看起来过于复杂，但机器学习从来不是一个简单的任务，即使页面之间的区别只是它们是一本书的左手和右手页面。