استخراج خصائص HOG وتدريب المصنف - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

تتمثل الخطوة التالية في إنشاء خصائص المخطط التكراري للتدرجات الموجهة لكل صورة في البيانات، ويمكن تحقيق ذلك من خلال دالة ()hog من مكتبة scikit-image. ويوضح المقطع البرمجي التالي مثالاً على الصورة الأولى في مجموعة بيانات التدريب:

from skimage.feature import hog hog_vector, hog_img = hog( X_train_gray[0], visualize = True ) hog_vector.shape (8100,)

شكل 4.10: مخطط تكراري للتدرجات الموجهة لصورة

hog_vector هو متجه أحادي البعد ذو ثمانية آلاف ومئة قيمة عددية، ويمكن استخدامها لتمثيل الصورة، ويظهر التمثيل البصري لهذا المتجه باستخدام:

plt.imshow(hog_img);

يصور هذا التمثيل الجديد حدود الأشكال الأساسية في الصورة، ويحذف التفاصيل الأخرى ويركز على الأجزاء المفيدة التي يمكنها أن تساعد المصنف على أن يقوم بالتنبؤ، ويطبق المقطع البرمجي التالي هذا التغيير على كل الصور في كل من مجموعة التدريب ومجموعة الاختبار:

X_train_hog = np.array([hog(img) for img in X_train_gray]) X_test_hog = np.array([hog(img) for img in X_test_gray])

يمكن الآن تدريب SGDClassifier على هذا التمثيل الجديد:

# scales the new data scaler = StandardScaler() X_train_hog_scaled = scaler.fit_transform(X_train_hog) X_test_hog_scaled = scaler.fit_transform(X_test_hog) # trains a new model model_sgd = SGDClassifier() model_sgd.fit(X_train_hog_scaled, y_train) # tests the model pred = model_sgd.predict(X_test_hog_scaled) accuracy_score(y_test, pred) 0.7418604651162791

وزارة التعليم 209 Ministry of Education 2025 - 1447

تتمثل الخطوة التالية في إنشاء خصائص المخطط التكراري للتدرجات الموجهة لكل صورة في البيانات، ويمكن تحقيق ذلك من خلال دالة ()hog من مكتبة scikit-image. ويوضح المقطع البرمجي التالي مثالاً على الصورة الأولى في مجموعة بيانات التدريب:--- SECTION: استخراج خصائص HOG --- from skimage.feature import hog hog_vector, hog_img = hog( X_train_gray[0], visualize = True )hog_vector.shape(8100,)--- SECTION: شكل 4.10 --- شكل 4.10: مخطط تكراري للتدرجات الموجهة لصورةhog_vector هو متجه أحادي البعد ذو ثمانية آلاف ومئة قيمة عددية، ويمكن استخدامها لتمثيل الصورة، ويظهر التمثيل البصري لهذا المتجه باستخدام:--- SECTION: عرض التمثيل البصري لـ HOG --- plt.imshow(hog_img);يصور هذا التمثيل الجديد حدود الأشكال الأساسية في الصورة، ويحذف التفاصيل الأخرى ويركز على الأجزاء المفيدة التي يمكنها أن تساعد المصنف على أن يقوم بالتنبؤ، ويطبق المقطع البرمجي التالي هذا التغيير على كل الصور في كل من مجموعة التدريب ومجموعة الاختبار:--- SECTION: تطبيق HOG على مجموعات البيانات --- X_train_hog = np.array([hog(img) for img in X_train_gray]) X_test_hog = np.array([hog(img) for img in X_test_gray])يمكن الآن تدريب SGDClassifier على هذا التمثيل الجديد:--- SECTION: تدريب واختبار SGDClassifier --- # scales the new data scaler = StandardScaler() X_train_hog_scaled = scaler.fit_transform(X_train_hog) X_test_hog_scaled = scaler.fit_transform(X_test_hog)# trains a new model model_sgd = SGDClassifier() model_sgd.fit(X_train_hog_scaled, y_train)# tests the model pred = model_sgd.predict(X_test_hog_scaled) accuracy_score(y_test, pred)0.74186046511627912025 - 1447--- VISUAL CONTEXT --- **FIGURE**: شكل 4.10: مخطط تكراري للتدرجات الموجهة لصورة Description: بيان بصري يوضح خصائص المخطط التكراري للتدرجات الموجهة (HOG) المستخرجة من صورة. يظهر الشكل نمطًا دائريًا تقريبًا مع خطوط متجهة تشير إلى اتجاهات وقوة التدرجات اللونية في مناطق مختلفة من الصورة. تتراوح الألوان من الأزرق الداكن (قوة تدرج منخفضة) إلى الأصفر/الأزرق الفاتح (قوة تدرج عالية). X-axis: إحداثيات بكسل (0-80) Y-axis: إحداثيات بكسل (0-80) Data: يُظهر الشكل التوزيع المكاني واتجاهات التدرجات داخل الصورة المدخلة. تشير المناطق الأكثر إشراقًا (الأصفر/الأزرق الفاتح) إلى تدرجات أقوى، بينما تشير المناطق الداكنة (الأزرق الداكن) إلى تدرجات أضعف. تمثل الخطوط القصيرة أو 'المتجهات' داخل النمط الاتجاهات السائدة للتدرج في المناطق المحلية. Context: يوضح هذا الشكل تمثيل HOG البصري، وهو وصف قوي يستخدم في رؤية الكمبيوتر لاكتشاف الكائنات. يوضح كيف يتم تجميع تدرجات الصورة في مخططات اتجاهية، مما يوفر وصفًا قويًا لمظهر وشكل الكائن المحلي. يتم استخدام هذا التمثيل كمدخل لنماذج تعلم الآلة مثل SGDClassifier.