图像特征融合随机森林分类代码

以下是一个基于Python scikit-learn库实现的图像特征融合随机森林分类的代码：

# 导入库
import numpy as np
import cv2
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# 定义函数，提取图像特征
def extract_features(image):
    # 读取图像并转为灰度图
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    
    # 计算图像梯度和方向直方图特征
    hog = cv2.HOGDescriptor()
    h = hog.compute(gray)
    
    # 计算图像颜色直方图特征
    hist = cv2.calcHist([image], [0, 1, 2], None, [8, 8, 8], [0, 256, 0, 256, 0, 256])
    hist = cv2.normalize(hist, hist).flatten()
    
    # 返回特征向量
    return np.hstack([h, hist])

# 加载数据集
train_images = []
train_labels = []
test_images = []
test_labels = []

# 读取训练集图像
for i in range(1, 11):
    for j in range(1, 51):
        filename = "train/{:02d}/image_{:04d}.jpg".format(i, j)
        image = cv2.imread(filename)
        train_images.append(extract_features(image))
        train_labels.append(i)

# 读取测试集图像
for i in range(1, 11):
    for j in range(51, 61):
        filename = "test/{:02d}/image_{:04d}.jpg".format(i, j)
        image = cv2.imread(filename)
        test_images.append(extract_features(image))
        test_labels.append(i)

# 转为NumPy数组
train_images = np.array(train_images)
train_labels = np.array(train_labels)
test_images = np.array(test_images)
test_labels = np.array(test_labels)

# 训练随机森林分类器
clf = RandomForestClassifier(n_estimators=100, max_depth=10, random_state=0)
clf.fit(train_images, train_labels)

# 预测测试集标签
pred_labels = clf.predict(test_images)

# 计算准确率
acc = accuracy_score(test_labels, pred_labels)
print("Accuracy:", acc)

在上述代码中，我们首先定义了一个`extract_features`函数用于提取图像特征。该函数首先将图像转换为灰度图，然后计算图像的梯度和方向直方图特征以及颜色直方图特征，并将这些特征拼接成一个特征向量返回。

接着，我们读取训练集和测试集图像，并使用`extract_features`函数提取图像特征，并将其转换为NumPy数组。然后，我们使用scikit-learn库中的`RandomForestClassifier`类训练一个随机森林分类器，并使用该分类器对测试集进行预测，并计算准确率。

需要注意的是，上述代码中的训练集和测试集图像文件名应该按照一定的规则命名，例如训练集图像文件名为`train/01/image_0001.jpg`，其中`01`表示类别编号，`0001`表示图片编号。这样我们就可以通过循环读取每个文件并提取特征。