如何存储2D CNN提取的图像特征以训练SVM分类器

嘿，我来一步步帮你搞定从CNN特征提取到SVM分类的全流程，每个环节的细节都给你理清楚：

1. 先确保你的CNN模型是训练好的 #

首先看你的CNN结构，要提取用于SVM的有效特征，前提是这个CNN已经在你的图像数据集上训练过（否则提取的是随机初始化的特征，完全没用）。先把你的模型代码整理好，建议给关键层加个名字，方便后续提取特征：

from keras.models import Sequential
from keras.layers import Conv2D, Activation, MaxPooling2D, Flatten, Dense, Dropout

model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape=(3, 150, 150)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())  # 把3D特征图转成1D特征向量
model.add(Dense(64, name='feature_layer'))  # 给这个特征层命名，方便后续提取
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(4))
model.add(Activation('softmax'))

# 别忘了先编译并训练模型！
# model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
# model.fit(train_data, train_labels, epochs=10, batch_size=32)

2. 提取并存储特征 #

接下来用你提供的特征提取代码，替换layer_name为我们刚才命名的feature_layer（或者你也可以选Flatten层，不过Dense层的特征更凝练）：

from keras.models import Model

# 指定要提取的特征层名字
layer_name = 'feature_layer'
intermediate_layer_model = Model(inputs=model.input, outputs=model.get_layer(layer_name).output)
cnn_features = intermediate_layer_model.predict(data)  # data是你的图像数据集，形状要匹配(None, 3, 150, 150)

存储特征的两种常用方式 #

• NumPy保存（推荐小到中等数据集）：简单直接，读写速度快

import numpy as np

# 分别保存特征和对应的标签
np.save('cnn_features.npy', cnn_features)
np.save('image_labels.npy', y)  # y是你的图像对应的分类标签（比如0-3的整数）

• Pickle保存（适合把特征和标签存在一个文件）：

import pickle

# 把特征和标签打包成字典保存
with open('cnn_features_labels.pkl', 'wb') as f:
    pickle.dump({'features': cnn_features, 'labels': y}, f)

后续加载的时候：

# NumPy加载
features = np.load('cnn_features.npy')
y = np.load('image_labels.npy')

# Pickle加载
with open('cnn_features_labels.pkl', 'rb') as f:
    saved_data = pickle.load(f)
features = saved_data['features']
y = saved_data['labels']

3. 用train_test_split划分训练/测试集 #

用sklearn的train_test_split轻松划分数据集，建议设置random_state保证结果可复现：

from sklearn.model_selection import train_test_split

# 测试集占比20%，你可以根据需求调整test_size
X_train, X_test, y_train, y_test = train_test_split(features, y, test_size=0.2, random_state=42)

4. 训练SVM分类器并评估 #

最后训练SVM，这里要注意SVM对特征尺度很敏感，建议先做特征归一化，效果会好很多：

from sklearn.svm import SVC
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import accuracy_score, classification_report

# 第一步：特征归一化
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

# 第二步：训练SVM
clf = SVC()  # 你可以调整参数，比如kernel='linear'或者C=10等
clf.fit(X_train_scaled, y_train)

# 第三步：预测并评估
y_pred = clf.predict(X_test_scaled)
print(f"测试集准确率: {accuracy_score(y_test, y_pred):.2f}")
print("\n详细分类报告:")
print(classification_report(y_test, y_pred))

进阶小技巧 #

如果想找到最优的SVM参数，可以用网格搜索：

from sklearn.model_selection import GridSearchCV

# 定义要搜索的参数范围
param_grid = {'C': [0.1, 1, 10, 100], 'kernel': ['linear', 'rbf']}
# 网格搜索，自动找最优参数
grid_search = GridSearchCV(SVC(), param_grid, refit=True, verbose=2)
grid_search.fit(X_train_scaled, y_train)

print(f"最优SVM参数: {grid_search.best_params_}")
# 用最优模型预测
best_clf = grid_search.best_estimator_
y_pred_best = best_clf.predict(X_test_scaled)

内容的提问来源于stack exchange，提问作者user9165727