我正在尝试使用像SVM, RandomForest等机器学习方法进行像素分类以实现图像分割。
我通过使用图像的灰度值和RGB值，并将每个像素与其真实标签关联，成功获得了可接受的结果。为了避免发布完整代码，以下是我在使用完整图像时创建特征和标签数组的方式：
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)feature_img = np.zeros((img.shape[0], img.shape[1], 4)) # 容器数组，前三个维度用于RGB值，最后一个维度用于灰度值feature_img[:, :, :3] = imgfeature_img[:, :, 3] = img_grayfeatures = feature_img.reshape(feature_img.shape[0] * feature_img.shape[1], feature_img.shape[2])gt_features = gt_img.reshape(gt_img.shape[0] * gt_img.shape[1], 1)对于大小为512*512的图像，上述代码将生成形状为[262144, 4]的特征和形状为[262144, 1]的相应gt_feature。
这为我提供了sklearn.svm.SVC的x和y，如上所述，这运行得很好…但图像非常嘈杂…由于SVM在高维数据上表现良好，我打算通过将图像分割成窗口来探索这一点。
基于上述代码，我想将大小为[512, 1024]的图像分割成大小为[64*64]的块，并使用这些块来训练SVM。按照上述格式，我编写了以下代码来将图像分割成块，然后使用.reshape()将其转换为分类器所需的格式，但结果并不如预期：
win_size = 64feature_img = blockshaped(img_gray, win_size, win_size)feature_label = blockshaped(gt_img, win_size, win_size)# 上述返回形状为[128, 64, 64]的数组features = feature_img.reshape(feature_img.shape[1] * feature_img.shape[2], feature_img.shape[0])# features的形状为[4096, 128] label_ = feature_label.reshape(feature_label.shape[0] * feature_label.shape[1] * feature_label.shape[2], 1)# 这，如预期返回``[524288, 1]``函数blockshaped来自此处提供的答案：将2D数组分割成更小的2D数组
我想要增加特征数据的维度，因为众所周知SVM在高维数据上表现良好，我也想看看基于块或补丁的方法是否有助于分割结果。
我应该如何安排我已经分解成窗口的数据，使其能够用于训练分类器？
回答：
我已经思考了你的问题5个小时，还阅读了一些书籍来寻找答案！如果你在做分割，你的方法完全错误！当我们使用机器学习方法进行分割时，我们绝对不会改变任何像素的位置。不仅在SVM中，在神经网络中进行分割时我们也不使用池化方法，即使在CNN中我们也使用Same填充来避免像素移动。
