私の画像データセットはhttp://www.image-net.orgからのものです。植物相、動物相、人など、さまざまなシンセットがあります
。画像がフローラルシンセットに属する場合は1を予測し、そうでない場合は0を予測する分類器をトレーニングする必要があります。
花のシンセットに属する画像は、http：//www.image-net.org/exploreで、左側のペインの植物、植物、植物の寿命のオプションをクリックして表示できます。
これらの画像には、樹木、ハーブ、低木、花など、さまざまな植物相が含まれています。分類器のトレーニングに使用する機能がわかりません。これらの画像には緑がたくさんありますが、緑の成分が少ない花の画像がたくさんあります。もう一つの特徴は、葉と花びらの形です。
誰かがこの形状の特徴を抽出し、それを使用して分類器をトレーニングする方法を提案できれば便利です。また、分類器をトレーニングするために使用できる他の機能を提案します。
そして、特徴を抽出した後、分類器をトレーニングするためにどのアルゴリズムを使用しますか？
形状情報が、リンクしたデータセットのアプローチであるかどうかはわかりません。
いくつかの画像をざっと見ただけで、分類のためのいくつかの提案があります。
どの分類器を使用するかについては...私は通常、最初にK-meansをアドバイスし、いくつかの結果が得られたら、ベイズまたはニューラルネットを実装するための追加の努力がそれだけの価値があるかどうかを判断します。
お役に立てれば。
T。
拡張：
「不自然な色」は、緑と茶色の領域外の彩度の高い色である可能性があります。花が中央にある場合でも、シーンの約50％が緑/茶色のスペクトルにあるはずなので、自然のシーンを検出するのに適しています。
さらに、直定規は自然界ではまれであるため、直線検出では自然界ではほとんど結果が得られないはずです。基本レベルでは、エッジイメージを生成し、それをしきい値設定してから、線分（直線に近いピクセル）を検索します。
エントロピーには、マシンビジョンの知識が必要です。ローカライズされたエントロピーを決定してシーンにアプローチし、ここで結果をヒストグラム化することは、使用する必要がある同様のアプローチです。
パターン認識を試みる場合、これは難しいテーマであり、コードサンプルで投げることができるものではないため、マシンビジョンで高度な知識を身に付ける必要があります。色とエッジの情報（線）が使い果たされた後でのみ、これらを分類子として実装しようとします。
これが商用アプリケーションである場合は、MVの専門家に相談する必要があります。これが大学の課題である場合（論文でない限り）、色とエッジ/ラインの情報は十分すぎるはずです。
HOOGの機能は、この種の問題の事実上の標準であると私は思います。それらは計算に少し関与しますが（そして、あなたがどの環境で作業しているのかわかりません）、強力です。
データセットの難易度に応じて、起動して実行できる簡単なソリューションは、画像から重複するすべてのパッチを抽出し、k-means（または任意のもの）を使用してそれらをクラスター化し、画像を分布として表すことです。 SVMのような教師あり分類器の量子化された画像パッチのこのセットに対して。このようなものがどれほど頻繁に機能するかに驚かれることでしょう。少なくとも競争力のあるベースラインを提供するはずです。