### 使用 OpenCV 实现多水果图像识别 要实现基于 OpenCV 的多水果图像识别系统，可以采用以下方法。该过程涉及数据准备、模型训练以及实际部署阶段。 #### 数据收集与预处理 为了构建一个多类别的水果分类器，首先需要一个标注好的水果数据集。如果已有自定义的数据集，则可以直接跳过此部分；如果没有，可以从公开资源下载并整理数据[^1]。 对于每种水果类别，应确保有足够的样本数量来覆盖不同光照条件下的外观变化。接着对图片尺寸统一调整大小以便后续操作更加高效稳定： ```python import cv2 import os def preprocess_images(input_dir, output_dir, target_size=(64, 64)): if not os.path.exists(output_dir): os.makedirs(output_dir) for filename in os.listdir(input_dir): img_path = os.path.join(input_dir, filename) image = cv2.imread(img_path) resized_image = cv2.resize(image, target_size) cv2.imwrite(os.path.join(output_dir, filename), resized_image) preprocess_images('path_to_raw_data', 'path_to_preprocessed_data') ``` #### 特征提取 这里推荐使用 HOG 描述子作为特征向量表示输入图像中的局部形状信息。HOG 提取的主要步骤如下所示： - 计算灰度图上的梯度幅度和方向； - 将整个检测窗口划分为若干个小单元格(cell)，统计每个 cell 内各个角度区间的投票数形成直方图； - 进一步把这些相邻 cells 组合成更大的 blocks 并规范化其对应的直方图组合作为最终输出的一部分。 以下是利用 Python 和 skimage 库完成 hog 转换的一个简单例子: ```python from skimage.feature import hog from skimage import data, exposure image = cv2.cvtColor(cv2.imread("example_fruit.jpg"), cv2.COLOR_BGR2RGB) fd, hog_image = hog(image, orientations=9, pixels_per_cell=(8, 8), cells_per_block=(2, 2), visualize=True, multichannel=True) fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(8, 4), sharex=True, sharey=True) ax1.axis('off') ax1.imshow(image, cmap=plt.cm.gray) ax1.set_title('Input image') hog_image_rescaled = exposure.rescale_intensity(hog_image, in_range=(0, 10)) ax2.axis('off') ax2.imshow(hog_image_rescaled, cmap=plt.cm.gray) ax2.set_title('Histogram of Oriented Gradients') plt.show() ``` #### SVM 分类器训练 支持向量机(Support Vector Machine) 是一种有效的监督学习算法，在高维空间里寻找最佳超平面来进行二元或者多元分类任务。在这里我们可以通过 scikit-learn 来快速搭建一个线性核函数的支持向量机用于区分不同的水果种类: ```python from sklearn.svm import LinearSVC from sklearn.model_selection import train_test_split from joblib import dump, load X_train, X_test, y_train, y_test = train_test_split(features, labels, test_size=0.25, random_state=42) clf = LinearSVC(C=1.0, loss='squared_hinge', penalty='l2', multi_class='ovr') clf.fit(X_train, y_train) dump(clf, 'fruit_classifier.joblib') accuracy = clf.score(X_test, y_test) print(f"Accuracy on the testing set is {accuracy}") ``` #### 构建 UI 界面 最后为了让程序更友好易用，还可以设计图形化用户接口(GUI)让使用者能够方便上传待测照片查看预测结果。PyQt 或 Tkinter 都是非常不错的选择之一。下面给出一段简单的 PyQt 示例代码片段展示如何加载保存下来的模型文件并对新传入的图片做出判断： ```python from PyQt5.QtWidgets import QApplication, QWidget, QPushButton, QVBoxLayout, QFileDialog from PyQt5.QtGui import QPixmap import sys class FruitRecognitionApp(QWidget): def __init__(self): super().__init__() self.initUI() def initUI(self): layout = QVBoxLayout() btn_load_img = QPushButton('Load Image', self) btn_load_img.clicked.connect(self.loadImage) layout.addWidget(btn_load_img) self.label_pixmap = QLabel(self) layout.addWidget(self.label_pixmap ) self.setLayout(layout) self.setWindowTitle('Fruits Recognition System') def loadImage(self): fname = QFileDialog.getOpenFileName(self, 'Open file')[0] pixmap = QPixmap(fname).scaledToWidth(300) self.label_pixmap .setPixmap(pixmap) if __name__ == '__main__': app = QApplication(sys.argv) ex = FruitRecognitionApp() ex.show() sys.exit(app.exec_()) ```