svm分类图像python代码

下面是使用SVM对图像进行分类的Python代码示例：

import cv2
import numpy as np
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split

# 加载图像和标签
def load_data():
    images = []
    labels = []
    for i in range(0, 10):
        for j in range(0, 100):
            img = cv2.imread('images/' + str(i) + '_' + str(j) + '.png', 0)
            img = cv2.resize(img, (20, 20))
            images.append(img)
            labels.append(i)
    return np.array(images), np.array(labels)

# 提取图像特征
def extract_features(images):
    features = []
    for img in images:
        feature = np.reshape(img, (400,))
        features.append(feature)
    return np.array(features)

# 训练SVM模型
def train_model(X, y):
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
    clf = SVC(kernel='linear', C=1, gamma='auto')
    clf.fit(X_train, y_train)
    print('训练集精度：', clf.score(X_train, y_train))
    print('测试集精度：', clf.score(X_test, y_test))
    return clf

# 加载数据
images, labels = load_data()

# 提取特征
features = extract_features(images)

# 训练模型
clf = train_model(features, labels)

# 预测测试图像
test_img = cv2.imread('test.png', 0)
test_img = cv2.resize(test_img, (20, 20))
test_feature = np.reshape(test_img, (1, 400))
print('预测结果：', clf.predict(test_feature))

在这个示例中，我们首先使用`load_data`函数加载图像和标签，然后使用`extract_features`函数提取图像特征，最后使用`train_model`函数训练SVM模型。在训练完模型后，我们可以使用`predict`函数对测试图像进行分类预测。