基于图神经网络的图片颜色特征提取与分类

本文使用图神经网络 (GCN) 提取 42 个时刻，每个时刻 37 张图片的颜色特征，并对图片进行分类。数据包含边连接关系，每个时刻的图片代表一个节点，并使用其颜色特征作为节点特征。

数据集

数据集包含 42 个时刻，每个时刻有 37 张图片。每张图片代表一个节点，并使用其颜色特征作为节点特征。数据还包含边的连接关系，表示图片之间的关联性。

模型

使用图卷积神经网络 (GCN) 对图片的颜色特征进行学习和分类。GCN 的结构如下：

输入层: 每个节点的特征为其颜色特征，维度为 8。
隐藏层: 使用两个 GCNConv 层，分别将特征维度扩展到 8 和 16。
输出层: 使用一个 GCNConv 层，将特征维度映射到 8 类标签。

训练过程

加载数据集: 加载数据集并创建 PyG 数据集类。
创建模型: 创建 GCN 模型并将其加载到 GPU 上。
定义优化器: 使用 Adam 优化器进行模型训练。
训练循环: 迭代训练数据集，计算损失并更新模型参数。
验证: 使用验证数据集评估模型性能。

代码实现

import os
import pandas as pd
import torch
import torch.nn as nn
from torch_geometric.data import Data, DataLoader
from torch_geometric.nn import GCNConv
import torch.nn.functional as F
from sklearn.model_selection import train_test_split

# 加载数据并创建PyG数据集类：
class MyDataset(torch.utils.data.Dataset):
    def __init__(self, root, transform=None, pre_transform=None):
        self.edges = pd.read_csv(os.path.join(root, 'edges_L.csv'))
        self.transform = transform
        self.pre_transform = pre_transform
        self.num_classes = 8  # 修改成8类标签
        self.features = []
        self.labels = []
        for i in range(1, 43):
            for j in range(37):
                image_path = os.path.join(root, 'images', f'{i}_{j}.png')  # 修改图片文件名及路径
                image = self.extract_features(image_path)
                self.features.append(image)
                label_path = os.path.join(root, 'labels', f'{i}_{j}.txt')  # 修改标签文件名
                labels = pd.read_csv(label_path, header=None, sep=' ', encoding='ansi')
                self.labels.append(torch.tensor(labels.values.squeeze(), dtype=torch.long))  # 修改标签数据类型为long型

    def __len__(self):
        return len(self.features)

    def __getitem__(self, idx):
        edge_index = torch.tensor(self.edges.values, dtype=torch.long).t().contiguous()
        x = self.features[idx]
        y = self.labels[idx]

        # 定义图数据的train_mask和val_mask
        train_mask = torch.zeros(y.size(0), dtype=torch.bool)
        val_mask = torch.zeros(y.size(0), dtype=torch.bool)
        train_mask[:30] = 1
        val_mask[30:] = 1

        data = Data(x=x, edge_index=edge_index, y=y, train_mask=train_mask, val_mask=val_mask)

        if self.transform is not None:
            data = self.transform(data)

        return data

    def extract_features(self, image_path):
        # 根据图片路径提取颜色特征，这里假设使用某种方法提取特征，返回一个特征向量
        return torch.tensor([0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8])

# 定义GCN模型：
class GCN(torch.nn.Module):
    def __init__(self, num_node_features, num_classes):
        super(GCN, self).__init__()
        self.conv1 = GCNConv(num_node_features, 8)
        self.conv2 = GCNConv(8, 16)
        self.conv3 = GCNConv(16, num_classes)

    def forward(self, data):
        x, edge_index = data.x, data.edge_index
        x = self.conv1(x, edge_index)
        x = F.relu(x)
        x = self.conv2(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = self.conv3(x, edge_index)
        return x

# 创建训练和验证模型：
def train_model(dataset, model, optimizer, device):
    model.train()
    total_loss = 0.0

    for data in dataset:
        data = data.to(device)
        optimizer.zero_grad()
        output = model(data)
        loss = F.cross_entropy(output[data.train_mask], data.y[data.train_mask])
        loss.backward()
        optimizer.step()
        total_loss += loss.item()

    return total_loss / len(dataset)

def validate_model(dataset, model, device):
    model.eval()
    correct = 0
    total = 0

    for data in dataset:
        data = data.to(device)
        output = model(data)
        _, predicted = torch.max(output[data.val_mask], 1)
        total += data.val_mask.sum().item()
        correct += (predicted == data.y[data.val_mask]).sum().item()

    return correct / total

# 加载数据集、创建模型、定义优化器和训练循环，以及验证模型：
if __name__ == '__main__':
    dataset = MyDataset(root="C:\Users\jh\Desktop\data\input")
    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

    model = GCN(num_node_features=8, num_classes=8).to(device)  # 修改num_node_features为8
    optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

    train_dataset, val_dataset = train_test_split(dataset, test_size=0.1)
    train_loader = DataLoader(train_dataset, batch_size=1, shuffle=False)
    val_loader = DataLoader(val_dataset, batch_size=1, shuffle=False)

    epochs = 2
    for epoch in range(epochs):
        train_loss = train_model(train_loader, model, optimizer, device)
        print(f'Epoch {epoch + 1}/{epochs}, Train Loss: {train_loss:.4f}')

    val_accuracy = validate_model(val_loader, model, device)
    print(f'Val_Acc: {val_accuracy:.4f}')

结论

该模型使用图神经网络学习图片的颜色特征，并成功地对图片进行分类。该模型可以应用于各种需要对图片颜色特征进行分析和分类的场景，例如图像识别、图像检索等。

注意事项

颜色特征提取方法需要根据具体任务进行选择。
模型结构和参数需要根据具体任务进行调整。
训练数据集的大小和质量会影响模型性能。

未来工作

探索更有效的颜色特征提取方法。
研究更复杂的图神经网络模型结构。
应用该模型于实际应用场景。