Python 构建特征矩阵和标签向量：

我有一个数据集“数字”。该数据集包括1797个小图像（8x8像素），每个图像包括一个手写数字（0-9）。每个图像被视为一个以像素为特征的数据样本。因此，要构建特征表，必须将每个8x8图像转换为具有64个特征列（64个像素）的特征矩阵行。如何为它构建特征矩阵和标签向量

如果您使用的是

numpy

和

cv2

，您可以执行以下操作：

import numpy as np
import cv2

fname = "image1.jpg"
image = cv2.imread(fname)                    #  (8, 8, 1)

feature = image.reshape(64)                #  (64,)

N = 10 # number of images
data = np.zeros((N, 64))

for index in range(N):

    # get the current image and convert to feature, as above

    data[index] = np.copy(feature)

要读取一组图像并加载到“特征矩阵”（一个

numpy

数组），您可以执行以下操作：

import numpy as np
import cv2

fname = "image1.jpg"
image = cv2.imread(fname)                    #  (8, 8, 1)

feature = image.reshape(64)                #  (64,)

N = 10 # number of images
data = np.zeros((N, 64))

for index in range(N):

    # get the current image and convert to feature, as above

    data[index] = np.copy(feature)

现在，数据矩阵的每一行都是一个示例（64维特征列表）

这有用吗

标签向量可以是1D numpy数组，即

labels=np.zero（N）

编辑：

有多种方法可以读取图像：

（1）

img=cv2.imread（文件名）

（2） 使用matplotlib：

import matplotlib.image as mpimg
img = mpimg.imread(filename)

（3） 使用PIL（或枕头）：

---

读取图像后，检查图像的形状是值得的，这样您就知道图像的通道、宽度和高度顺序正确，适合您的应用。

您可以按照scikit学习教程的指导学习，在那里他们使用的是数字数据集

更详细地说。如果像示例中那样加载数据集，则可以简单地重塑图像：

from sklearn import datasets
digits = datasets.load_digits()
# To apply a classifier on this data, we need to flatten the image, to
# turn the data in a (samples, feature) matrix:
n_samples = len(digits.images)
data = digits.images.reshape((n_samples, -1))

---

这使得

数据

成为一个2D矩阵，包含

n_样本

行和尽可能多的列，以适合展平图像。

对不起，我不知道cv2模块，没有它我们有什么办法吗？当然，我已经更新了三种最流行方法的答案。很可能您将在使用的任何python发行版中安装matplotlib，因此我建议您安装matplotlib。cv2是python opencv模块-它对于执行一般图像操作非常有用。我在一个文件夹中有1797个图像，如何在一个numpy数组中加载所有图像？？您应该使用（并且可能接受）下面@KPLauritzen的答案，因为这正是您需要回答的问题。否则，要加载一幅图像，你可以找到更多的细节，所以我得到了它，并将其转换为特征矩阵和标签向量，然后应用随机森林，得到了大约92%的准确率。我有没有办法列出所有错误分类的图像？