前面我介绍了可视化的一些方法以及机器学习在预测方面的应用，分为分类问题（预测值是离散型）和回归问题（预测值是连续型）（具体见之前的文章）。
从本期开始，我将做一个关于图像识别的系列文章，让读者慢慢理解python进行图像识别的过程、原理和方法，每一篇文章从实现功能、实现代码、实现效果三个方面进行展示。
实现功能：
Python搭建卷积神经网络进行图像二分类
实现代码：
import os
from PILimport Image
import numpyas np
import matplotlib.pyplotas plt
import tensorflowas tf
from tensorflow.kerasimport datasets, layers, models
from collectionsimport Counter
from sklearn.metricsimport precision_recall_curve
from sklearn.metricsimport roc_curve, auc
from sklearn.metricsimport roc_auc_score
import itertools
from pylabimport mpl
import seabornas sns
class Solution():
#==================读取图片=================================
def read_image(self,paths):
os.listdir(paths)
filelist = []
for root, dirs, filesin os.walk(paths):
for filein files:
if os.path.splitext(file)[1] ==".png":
filelist.append(os.path.join(root, file))
return filelist
#==================图片数据转化为数组==========================
def im_array(self,paths):
M=[]
for filenamein paths:
im=Image.open(filename)
im_L=im.convert("L")#模式L
Core=im_L.getdata()
arr1=np.array(Core,dtype='float32')/255.0
list_img=arr1.tolist()
M.extend(list_img)
return M
def CNN_model(self,train_images, train_lables):
# ============构建卷积神经网络并保存=========================
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(128, 128, 1)))# 过滤器个数，卷积核尺寸，激活函数，输入形状
model.add(layers.MaxPooling2D((2, 2)))# 池化层
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.Flatten())# 降维
model.add(layers.Dense(64, activation='relu'))# 全连接层
model.add(layers.Dense(2, activation='softmax'))# 注意这里参数，我只有两类图片，所以是2.
model.summary()# 显示模型的架构
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
return model
if __name__=='__main__':
Object1=Solution()
# =================数据读取===============
path1="D:\DCTDV2\dataset\\train\\"
test1 ="D:\DCTDV2\dataset\\test\\"
pathDir = os.listdir(path1)
pathDir=pathDir[1:5]
for ain pathDir:
path2=path1+a
test2=test1+a
filelist_1=Object1.read_image(path1+"Norm")
filelist_2=Object1.read_image(path2)
filelist_all=filelist_1+filelist_2
M=Object1.im_array(filelist_all)
train_images=np.array(M).reshape(len(filelist_all),128,128)#输出验证一下(400, 128, 128)
label=[0]*len(filelist_1)+[1]*len(filelist_2)
train_lables=np.array(label)#数据标签
train_images = train_images[..., np.newaxis]#数据图片
print(train_images.shape)#输出验证一下(400, 128, 128, 1)
# ===================准备测试数据==================
filelist_1T = Object1.read_image(test1+"Norm")
filelist_2T = Object1.read_image(test2)
filelist_allT = filelist_1T + filelist_2T
N = Object1.im_array(filelist_allT)
dict_label = {0:'norm', 1:'IgaK'}
test_images = np.array(N).reshape(len(filelist_allT), 128, 128)
label = [0] *len(filelist_1T) + [1] *len(filelist_2T)
test_lables = np.array(label)# 数据标签
test_images = test_images[..., np.newaxis]# 数据图片
print(test_images.shape)# 输出验证一下(100, 128, 128, 1)
# #===================训练模型=============
model=Object1.CNN_model(train_images, train_lables)
CnnModel=model.fit(train_images, train_lables, epochs=20)
# model.save('D:\电池条带V2\model\my_model.h5') # 保存为h5模型
# tf.keras.models.save_model(model,"F:\python\moxing\model")#这样是pb模型
# print("模型保存成功！")
# history列表
print(CnnModel.history.keys())
font = {'family':'Times New Roman','size':12,}
sns.set(font_scale=1.2)
plt.plot(CnnModel.history['loss'])
plt.title('model loss')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.savefig('D:\\DCTDV2\\result\\V1\\loss' +"\\" +'%s.tif' % a,bbox_inches='tight',dpi=600)
plt.show()
plt.plot(CnnModel.history['accuracy'])
plt.title('model accuracy')
plt.ylabel('accuracy')
plt.xlabel('epoch')
plt.savefig('D:\\DCTDV2\\result\\V1\\accuracy' +"\\" +'%s.tif' % a,bbox_inches='tight',dpi=600)
plt.show()
实现效果：
由于数据为非公开数据，仅展示几个图像的效果，有问题可以后台联系我。
