一直想用python或者R来实现一个辨识颜色的程序，最近研究确实也需要这么一个东西，于是动了opencv的脑筋，发现这个库实在强大，我用python拼凑一番，把里面的有用的东西写成了一个类，专门用来找绿色的东西，其实就是找图片中的绿色。
写来写去，发现代码从一开始的几十行，到几百行，类里面的方法、属性也越来越多，估计过了一周，我自己都会忘了这个类怎么用，所以写一发blog,趁自己脑子清楚时至少把使用方法记录下来。
treeArea 类属性方法表：
该类有如下方法和属性
['__doc__', '__init__', '__module__', 'afterList',
'calcGreenArea', 'calcMask', 'fileList', 'knnMask',
'lower', 'maskList', 'readFiles', 'result', 'run',
'savePic', 'showPic', 'svmMask', 'type', 'upper']
方法参数表：
__init__(self, lower, upper, pictype)
lower:颜色分量下限值，用于简单分类器
upper:颜色分量上限值，用于简单分类器
pictype:记录载入图像类型的变量
__init__方法内部还初始化了：
self.fileList,
self.maskList,
self.afterList,
self.result,
四个空List对象用于存储读入的文件、处理的遮罩、处理后图像、计数结果。
readFiles(self, fileName， bgr2hsv = 1):
fileName:列表对象，读入的文件名
bgr2hsv:转换颜色空间，有时会使分类效果更好
该方法读入文件，并转换文件色域至HSV空间
showPic(self, fileName, select = "pic")
fileName:需要显示的文件名字
select:需要显示的图像类型，"pic"原图，"mask"遮罩，"res"应用遮罩的图像
savePic(self, fileName, select = "mask")
与showPic()类似，存储图像
calcMask(self, paraset = [0, 1, 0])
paraset:参数列表，第一个参数控制cv2.medianBlur()函数是否应用到遮罩，第二个参数控制cv2.morphologyEx()函数是否应用到遮罩，第三个参数控制是否计算应用遮罩后的图像。
该方法为简单分类器，通过输入的颜色上限和下限对图像中颜色进行二分类，
默认开启cv2.morphologyEx()对遮罩进行开运算去除噪点，cv2.medianBlur()也用于去除噪点，但效果不如前者
knnMask(self, knnClassifier)
knnClassifier：训练好的一个KNN分类器
该方法基于openCV的K近邻机器学习方法来分辨图像中绿色植被区域，准确率较高，但耗时较长（训练集合越大，耗时越久)。对绿色水体误识别较高
默认开启中值滤波来消除噪点，平滑边缘。
svmMask(self, svmClassifier)
svmClassifier:一个训练好的SVM分类器
该函数方法基于openCV的支持向量机机器学习方法来分辨图像中绿色植被，准确率稍低，但运行速度快，对绿色水体、阴影、绿色操场误识别较高。
默认开启中值滤波
calcGreenArea(self, shape = "rectangle")
shape:研究区域的形状，默认为矩形，'circle'为圆形
该函数方法利用已经计算好的遮罩文件，对遮罩中大于零的像素点记数（标记为绿色植被）,最后除以总像素数，得到植被覆盖比例。
run(self, fileName, typeof = 0, classifier = 0)
fileName:读取的文件名
typeof:选择分类器，"bitwise"简单分类器，"knn"knn分类器，"svm"svm分类器
classifier:当使用knn或svm时，需要传入对应的分类器
该函数方法用于快捷的计算图像中的绿色植被区域，整合读取、计算遮罩、统计绿色植被区域几个函数的功能
knnClassifier 类属性方法表：
该类有如下属性和方法：
['__doc__', '__init__', '__module__', 'autoSelect',
'knn', 'readFile', 'save', 'test', 'testData',
'testName', 'train', 'trainData', 'trainName']
方法参数表
__init__(self, trainName, testName, save = 0)
trainName:用于训练的文件列表
testName:用于测试的文件列表
save：暂时没用，计划用于存储训练数据和测试数据
该方法内部还有
self.testData
self.trainData
self.knn
三个对象，分别是训练数据和测试数据空列表（均为0行3列），初始化的knn分类器
autoSelect(self, datatype = 1, bgr2hsv = 1)
datatype:选择数据类型，1为训练数据，2为测试数据
bgr2hsv:转换颜色空间
使用kmeans方法精简训练集和测试集，每个样本集（图片）提取30个不同的颜色特征。
readFile(self, datatype = 1, bgr2hsv = 1)
datatype:选择数据类型，1为训练数据，2为测试数据
bgr2hsv:转换颜色空间，默认开启
该函数用于为knn分类器读入训练数据和测试数据，训练数据和测试数据都是12*12pixel的图片（可大可小，边长同的偶数），并且要求一半阳性样本一半阴性样本
train(self)
训练分类器，内含一个trainLabels对象，为训练数据的行数*1列的np.array对象，一半1一半0
test(self)
测试分类器，使用训练好的knn分类器对测试数据进行测试，在测试中会利用tqdm模块的进度条显示实时进度和测试时间，最后显示测试准确率。
svmClassifier 类基本与knnClassifier类一致，使用方法无区别
开发中的功能：
计划增加一个分类器类，logistic分类器，类似SVM，产生一个决策边界来划分类别，比knn应该更快速，目前开发完成的函数方法：
sigmoid(x)
sigmoid函数，分类器的核心
mapFeature(X1, X2, X3, degree = 1)
特征映射函数，将3维的特征向量按照多项式映射到更高维的空间，以加大各个训练数据之间的间隔
costFunctionReg(theta, X, labels, lamd)
计算logistic分类器对应的代价函数，lamd为正则项，用于防止过拟合
costFunctionReg(theta, X, labels, lamd)
计算代价函数在各个特征分量的上的梯度，用于后续寻找代价函数的最小值
predict(theta, X)
根据theta(描述决策边界的向量）来预测分类。
kmeanColor(img, K=30, save = 0)
利用kmeans分类输出图像中主要颜色，可视化结果，将输出包含K种颜色的彩色条带到屏幕
目前问题：利用scipy.optimize中fmin_bfgs()函数来帮助求取代价函数最小值出现WARNING：log() encounter by zero错误，可能出现了意外的精度损失，但仍然有结果，其结果准确度在88%，与SVM相当。
一个例子
原始图片：
可以先看看有哪些主要颜色：
>>> kmeanColor('32.jpg', save = 1)
array([[215, 173, 143],
[229, 187, 140],
[136, 104, 79],
[197, 123, 52],
[246, 199, 132],
[164, 129, 97],
[243, 172, 76],
[229, 154, 70],
[180, 149, 123],
[238, 187, 127],
[243, 182, 96],
[106, 82, 70],
[161, 110, 59],
[213, 155, 97],
[239, 202, 156],
[ 91, 54, 34],
[209, 143, 76],
[250, 245, 238],
[216, 164, 115],
[246, 228, 208],
[202, 132, 62],
[225, 176, 122],
[238, 179, 111],
[218, 154, 86],
[188, 113, 45],
[118, 79, 46],
[215, 140, 59],
[222, 167, 106],
[243, 215, 179],
[231, 166, 93]], dtype=uint8)
得到的kmean分类颜色表
下面分别用svm和knn把里面的妹子提取出来
使用treeindentify.py的所有功能需要做这些事情：
from treeindentify import treeArea
from treeindentify import knnClassifier
from treeindentify import svmClassifier
from treeindentify import mapFeature
from treeindentify import sigmoid, costFunctionReg, costFunctionGrad, kmeanColor
下面进行一个完整的分析流程：
##读取数据，用于训练分类器
#训练用数据
fileName = ["green"+ str(x) + ".jpg" for x in range(1, 7)]
#测试用数据
testName = ["test" + str(y) + ".jpg" for x in range(1, 11)]
#初始化knn分类器
knn = knnClassifier(fileName, testName, save = 0)
#用autoSelect方法精简训练集，减少特征空间，加快速度
knn.autoSelect(datatype = 1, bgr2hsv = 0)
#读取测试集
knn.readFile(datatype = 0, bgr2hsv = 0)
#进行训练和测试
knn.train()
knn.test()
#svm分类器用法和knn分类器一样
svm = svmClassifier(fileName, testName, save = 0)
svm.autoSelect(datatype = 1, bgr2hsv = 0)
svm.readFile(datatype = 0, bgr2hsv = 0)
svm.train()
svm.test()
##开始分析
#初始化treeArea类
lower_tree = np.array([30, 105, 35])
upper_tree = np.array([60, 205, 100])
test = treeArea(lower_tree, upper_tree, pictype)
#准备读入和存储的文件名
pictype = ".jpg"
fileName = [str(x) + pictype for x in range(1, 28)]
saveName = [str(x) + "_svm_knnbj" + ".jpg" for x in range(1, 28)]
#treeArea的run方法一次性完成数据读入，载入训练器，进行分类的工作
#用svm分类器分类
test.run(fileName, typeof = 'svm', classifier = svm)
#用knn分类器分类
test.run(fileName, typeof = 'knn', classifier = knn)
#用treeArea自带的简单分类器分类
test.run(fileName, typeof = 'bitwise')
#存储分类结果
test.savePic(saveName, select = 'mask')
test.svaePic(saveName, select = 'res')
最终将得到一个包含每张图片指定颜色（区间）比例的列表，以及输出的遮罩图片，如下：
-
遮罩
-
应用遮罩的图片
后话：感觉这个分类器可以做很多事情，和爬虫结合一下，用爬虫爬取一点神秘的东西，然后用它做内容识别，每天上班前把它挂着，下班回来，就可以点开一一浏览神秘的东西了，美滋滋！