我有以下问题：我得到了一组图像，我需要使用 OpenCV 库将它们划分为照片和图片（图形）。
我已经试过了
所以我有 7% 的错误（在 2000 张图像上测试）。我有点困惑，因为我在众多计算机视觉手段方面没有太多经验。
例如，下面这张照片。它的直方图（RGB 和 HSV）很差，轮廓的数量也很少。另外有很多背景颜色，所以我需要找到一个对象来计算它的直方图（我为此使用 findContours() ）。但无论如何，我的算法将此图像检测为图片。
还有一个例子：
图片的问题是噪音。我有小尺寸 (200*150) 的图像，在某些情况下噪声非常明显，以至于我的算法将此图像检测为照片。我试图模糊图像，但在这种情况下，由于混合像素，颜色的数量增加了，而且轮廓的数量也减少了（一些暗淡的边界变得无法区分）。
图片示例：
我也尝试过颜色分割和 MSER，但我最好的结果仍然是 7%。
你能告诉我我还可以尝试什么方法吗？
我已经使用您的数据集创建了非常简单的模型。为此，我在 R 中使用了 Rattle 库。
输入数据
rgbh1 - number of bins in RGB histogram, which value > @param@, in my case @param@ = 30 (340 is maximum value)
rgbh2 - number of bins in RGB histogram, which value > 0 (not empty)
hsvh1 - number of bins in HSV histogram, which value > @param@, in my case @param@ = 30 (340 is maximum value)
hsvh2 - number of bins in HSV histogram, which value > 0 (not empty)
countours - number of contours on image
PicFlag - flag indicating picture/photo (picture = 1, photo = 0)
数据探索
为了更好地理解您的数据，这里是按图片/照片组的单个变量分布图（y 轴上有百分比）：
它清楚地表明存在具有预测能力的变量。它们中的大多数都可以在我们的模型中使用。接下来，我创建了简单的散点图矩阵，以查看某些变量组合是否有用：
您可以看到例如 countours 数和 rgbh1 的组合看起来很有希望。
在下图中，您可以注意到变量之间也存在很强的相关性。（通常，我们喜欢有很多相关性较低的变量，而您只有有限数量的相关变量）。饼图显示相关性有多大 - 实心圆圈表示 1，空心圆圈表示 0，我的观点是，如果相关性超过 0.4，则模型中同时包含两个变量可能不是一个好主意）
模型
然后我使用决策树、随机森林、逻辑回归和神经网络创建了简单的模型（保持 Rattle 的默认设置）。作为输入，我使用了 60/20/20 拆分的数据（训练、验证、测试数据集）。这是我的结果（如果您不了解错误矩阵，请参考谷歌）：
Error matrix for the Decision Tree model on pics.csv [validate] (counts):
Predicted
Actual 0 1
0 167 22
1 6 204
Error matrix for the Decision Tree model on pics.csv [validate] (%):
Predicted
Actual 0 1
0 42 6
1 2 51
Overall error: 0.07017544
Rattle timestamp: 2013-01-02 11:35:40
======================================================================
Error matrix for the Random Forest model on pics.csv [validate] (counts):
Predicted
Actual 0 1
0 170 19
1 8 202
Error matrix for the Random Forest model on pics.csv [validate] (%):
Predicted
Actual 0 1
0 43 5
1 2 51
Overall error: 0.06766917
Rattle timestamp: 2013-01-02 11:35:40
======================================================================
Error matrix for the Linear model on pics.csv [validate] (counts):
Predicted
Actual 0 1
0 171 18
1 13 197
Error matrix for the Linear model on pics.csv [validate] (%):
Predicted
Actual 0 1
0 43 5
1 3 49
Overall error: 0.07769424
Rattle timestamp: 2013-01-02 11:35:40
======================================================================
Error matrix for the Neural Net model on pics.csv [validate] (counts):
Predicted
Actual 0 1
0 169 20
1 15 195
Error matrix for the Neural Net model on pics.csv [validate] (%):
Predicted
Actual 0 1
0 42 5
1 4 49
Overall error: 0.0877193
Rattle timestamp: 2013-01-02 11:35:40
======================================================================
结果
如您所见，总体错误率在 6.5% 和 8% 之间波动。我不认为通过调整使用方法的参数可以显着改善这个结果。有两种方法可以降低总体错误率：
用过的软件：
用于创建 corrgram 和散点图的代码（其他输出使用 Rattle GUI 生成）：
# install.packages("lattice",dependencies=TRUE)
# install.packages("car")
library(lattice)
library(car)
setwd("C:/")
indata <- read.csv2("pics.csv")
str(indata)
# Corrgram
corrgram(indata, order=TRUE, lower.panel=panel.shade,
upper.panel=panel.pie, text.panel=panel.txt,
main="Picture/Photo correlation matrix")
# Scatterplot Matrices
attach(indata)
scatterplotMatrix(~rgbh1+rgbh2+hsvh1+hsvh2+countours|PicFlag,main="Picture/Photo scatterplot matrix",
diagonal=c("histogram"),legend.plot=TRUE,pch=c(1,1))
一个应该有用的特征是梯度直方图。自然图像具有特定的梯度强度分布。