机器学习-水色图像水质评价完整代码和数据

import numpy as np import os from PIL import Image file='F:\\新教材资料\\水色图像水质评价\\图片' d=os.listdir(file) #文件夹所有图片文件名 X=np.zeros((len(d),100,100,3)) #预定义输入数据 Y=np.zeros(len(d)) #预定义输出数据 for i in range(len(d)): img = Image.open(file+'\\'+d[i]) #读取第i张图片， #img有R,G,B三个通道 im= img.split() #分离RGB颜色通道 R=np.array(im[0]) #R通道 row_1=int(R.shape[0]/2)-50 row_2=int(R.shape[0]/2)+50 con_1=int(R.shape[1]/2)-50 con_2=int(R.shape[1]/2)+50 R=R[row_1:row_2,con_1:con_2] G=np.array(im[1]) #G通道 G=G[row_1:row_2,con_1:con_2] B=np.array(im[2]) #B通道 B=B[row_1:row_2,con_1:con_2] #取R,G,B通道即可,并归一化 X[i,:,:,0]=R/255 X[i,:,:,1]=G/255 X[i,:,:,2]=B/255 #构造输出数据，水质类别 s=d[i] I=s.find('_',0,len(s)) if int(s[:I])==1: Y[i]=0 elif int(s[:I])==2: Y[i]=1 elif int(s[:I])==3: Y[i]=2 elif int(s[:I])==4: Y[i]=3 else: Y[i]=4 from sklearn.model_selection import train_test_split x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size=0.2, random_state=4) from tensorflow.keras import layers, models model = models.Sequential() #第一个卷积层，卷积神经元个数为32，卷积核大小为3×，默认可省 model.add(layers.Conv2D(32, (3, 3),strides=(1,1),activation='relu', input_shape=(100, 100,3))) #紧接着的第一个池化层，2×2池化，步长为2，默认可缺省 model.add(layers.MaxPooling2D((2, 2),strides=2)) #第二个卷积层 model.add(layers.Conv2D(64, (3, 3), activation='relu')) #第二个池化层 model.add(layers.MaxPooling2D((2, 2))) #第三个卷积层 model.add(layers.Conv2D(64, (3, 3), activation='relu')) #展平 model.add(layers.Flatten()) #全连接层 model.add(layers.Dense(64, activation='relu')) #输出层 model.add(layers.Dense(5, activation='softmax')) model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) model.fit(x_train, y_train, epochs=500) model.evaluate(x_test, y_test, verbose=2) yy=model.predict(x_test) #获得预测结果概率矩阵 y1=np.argmax(yy,axis=1) #获得最终预测结果，取概率最大的类标签 r=y1-y_test #预测结果与实际结果相减 rv=len(r[r==0])/len(r) #计算预测准确率 print('预测准确率： ',rv)