opencv实现图像分类python

要使用 OpenCV 进行图像分类，可以使用以下步骤：

1. 准备数据集：收集需要分类的图像，并将它们分为不同的类别。
2. 特征提取：使用 OpenCV 的特征提取函数（如 HOG、SIFT、SURF 等）从每个图像中提取特征向量。
3. 训练分类器：使用提取的特征向量和相应的标签（类别）来训练分类器（如 SVM、KNN、决策树等）。
4. 测试分类器：使用测试集中的图像来测试训练好的分类器的准确性。

下面是一个使用 OpenCV 和 SVM 进行图像分类的 Python 示例代码：

import cv2
import numpy as np

# 准备数据集
train_data = []
train_labels = []
for i in range(1, 11):
    for j in range(1, 6):
        img = cv2.imread(f"dataset/{i}_{j}.jpg", 0)
        hist = cv2.calcHist([img], [0], None, [256], [0, 256])  # 提取图像的直方图特征
        train_data.append(hist)
        train_labels.append(i)

# 训练分类器
svm = cv2.ml.SVM_create()
svm.setType(cv2.ml.SVM_C_SVC)
svm.setKernel(cv2.ml.SVM_LINEAR)
svm.train(np.array(train_data), cv2.ml.ROW_SAMPLE, np.array(train_labels))

# 测试分类器
test_data = []
test_labels = []
for i in range(1, 11):
    for j in range(6, 11):
        img = cv2.imread(f"dataset/{i}_{j}.jpg", 0)
        hist = cv2.calcHist([img], [0], None, [256], [0, 256])
        test_data.append(hist)
        test_labels.append(i)

test_data = np.array(test_data)
test_labels = np.array(test_labels)
_, test_acc = svm.evaluate(test_data, test_labels)
print(f"Test accuracy: {test_acc * 100}%")

这段代码假设有一个包含 50 张图像（每个类别 5 张）的数据集，每个图像都是灰度图像。它首先循环遍历数据集，提取每个图像的直方图特征，并将它们存储在 `train_data` 和 `train_labels` 中。接下来，它使用 `cv2.ml.SVM_create()` 创建一个 SVM 分类器，并使用 `train()` 函数对其进行训练。最后，它循环遍历测试集中的图像，提取它们的特征，并使用 `evaluate()` 函数测试分类器的准确性。