作为自我发展的练习，我想开发一个简单的分类算法，能够识别给定Dilbert漫画中的特定单元格内出现的角色（如Dilbert、PHB、Ratbert等）。
我认为最好的方法是（1）对图像应用某种算法，将其转换为一组特征，（2）使用训练集和众多可能的机器学习算法之一，将某些特征的存在与否与特定角色在单元格中的出现相关联。
所以我的问题是 – (a) 这种方法是否正确，(b) 由于有许多分类算法和机器学习算法需要测试，找到合适的算法有什么好的方法，(c) 考虑到我们本质上是在进行漫画的分类练习，你会从哪些算法开始？
回答：
所以我认为你关于第一步的思路是正确的（对图像应用某种算法，将其转换为一组特征）。
这个项目比大多数机器学习问题更具挑战性，因为你需要从原始数据（构成漫画的各个帧）中创建你的训练数据集。例如，抓取一个帧，识别出帧中的两个角色，Dilbert和那个有角的角色（我认为是Dilbert的老板，不知道他的名字），从该帧中提取这两个角色，并为每个角色附加适当的类别标签（例如，Dilbert用“1”表示）。
第一步
为了从构成Dilbert漫画的各个帧中提取单个角色，我建议对每个帧进行谱分解。如果你不熟悉这种技术，核心上，它只是一个特征向量分解。
如果你喜欢Python（或者R，考虑到你可以使用像RPy这样的Python到R的绑定），我强烈建议你查看sklearn。特别是，这个优秀的库（最初是在SciPy scikits项目伞下开发的，因此使用NumPy + SciPy进行矩阵计算）有几种图像分割算法，其中一种基于谱聚类。在你的项目这一步，你很可能会想要查看这两个scikits.learn模块
-
sklearn.feature_extraction（特别是image子模块）
-
sklearn.cluster.spectral_clustering
这两个模块中包含了两个很好的示例脚本，一个是分割数字照片，另一个是分割由三个部分重叠的圆圈组成的图像，这些圆圈与彼此和背景之间的对比度最小——我认为这两个问题都比你需要进行的分解更难。换句话说，sklearn在源代码分发中包含了两个完整的、文档齐全的示例脚本，这两个脚本都处理与你的数据相似的数据。这两个脚本中的任何一个或两个都将是这一步的优秀模板。
第二步
这就是第一步；这是第二步：将分解图像的所有组件排序成组，每组对应一个Dilbert角色。接下来，为每个组分配一个类别标签，例如，如果你的分解步骤中有四个角色，那么类别标签的合理选择是“0”、“1”、“2”和“3”。将这些类别标签附加到组件矩阵（第一步的分解产品）上，以便每个角色矩阵映射到其对应的类别（Dilbert角色）。
第三步
选择合适的机器学习技术。你有许多选择；唯一的标准是该技术属于监督类别（因为你已经为数据分配了类别标签），并且它作为一个分类器（即，它返回一个类别标签，而不是回归器，它输出一个数值）。考虑到这是一个个人项目，我会选择你觉得最有趣的一个。几个满足我刚刚提到的标准的算法是：多层感知器（神经网络）、支持向量机（SVM）和k最近邻（kNN）。
第四步
训练、验证和测试你的分类器
替代技术：模板匹配
一旦完成第一步（每个图像被分解为一组对象，其中一些无疑代表角色），你可以手动筛选这些分解产品，并为漫画中的每个角色收集样本。这些是模板。
接下来，你将从图像中分割出的对象与这组独特的模板进行比较。在scikit-image，另一个scipy scikit中，你可以使用方法match_template，你向其中传递一个模板图像和一个候选图像，该方法返回一个显示像素对像素相关性（介于-1和1之间）的二维数组。
