问使用Python对信号图像进行分类

EN

您可能会想要使用sklearn。假设您希望基于图像而不是生成图像的数据对这些模式进行分类，则可以使用简单的k最近邻(KNN)分类器。

KNN classification是一种可以对许多不同类型的数据进行分类的方法。首先，使用标记数据(在您的情况下，图像似乎属于不同频率的类)来训练算法。然后，该算法分析未标记的数据，即要分类的数据。“最近邻”部分意味着算法看到的每个新数据片段都是根据训练算法时使用的k最近数据片段进行分类的。这个想法是，某个类别的新数据在数字上与另一个类别相似。下面是算法如何工作的高级工作流程：

train_set = [(img1, 'low freq'), (img2, 'hi freq'), (img3, 'low freq'), (img4, 'med freq'), (img5, 'med freq')]

img_classifier = algorithm(train_set)

然后，在新数据上调用经过训练的算法来识别未标记的图像。

test = [img6, img7]

for i in test:
    img_classifier(test)

不过，您需要使用的不只是五个训练图像。您选择的k的值也很重要。假设您为每个类训练了相同数量的图像(假设是n)，对于训练的3n图像总数，一个好的k是k=n/2。太高，你可能会有错误分类的风险，因为你考虑了太多的训练数据，太低，你可能会考虑太少。

如果你决定使用tutorial here，有一个很棒的sklearn你一定要看看。

您的图像似乎在非常离散的类中。如果您不想使用sklearn，则可以根据曲线覆盖的图像区域对图像进行分类。如果仅有这三个类别，您可以尝试其中的一些类别，看看它们是否为图像分类提供了一个好的阈值：

• 计算图像中蓝色的面积(light+dark) --不同的频率可能被不同的区域覆盖。
• 检查浅蓝色和深蓝色的比例，它可能是从图像中心(x轴)开始的深蓝色的最大y位移。这将很容易将高频图像从中低频图像中分离出来，然后您可以使用第一种方法中的面积计算来区分低频和中频，因为它们清楚地覆盖了不同的区域。

如果您决定使用第二种方法，请务必查看Python Imaging Library。实际上，如果我没记错的话，它用在sklearn中。