图片识别是属于分类问题，例如工业设备运行工况，包括正常、供液不足等等数据分析图，用计算机模拟人学习分析图像，首先需要收集待学习的图片，并对图片进行分类管理，对于这些分类需要在计算机文件系统上分别建立目录，把对应分类的图片存储到相应的目录下，由于有些Python工具对中文支持的不好，建议最好直接使用数字建立目录，便于操作并省去麻烦。

对于训练学习的图片，考虑计算资源及响应速度等要求，要求图片尽可量的小，使用有限的像素表述清楚特征供计算机学习就足够了。

Python学习交流群：1004391443，这里是python学习者聚集地，有大牛答疑，有资源共享！小编也准备了一份python学习资料，有想学习python编程的，或是转行，或是大学生，还有工作中想提升自己能力的，正在学习的小伙伴欢迎加入学习。

目前，图像识别主要是自然景物，例如人脸、动物、物体等方向等识别，而对于决策分析等方向的图表分析，几乎是空白，通过研究、实践总结出一点小经验，分享一起讨论。

工业大数据、人工智能中，有决策分析等方向等需求，例如学习人类看曲线图、饼图、直方图、帕特图等等。这类图像有个共同的特点，有坐标系！

坐标系是非常重要的参照特征，下面通过实验来进行验证。

1. 创建目录

目录样式如下：

在这里插入图片描述

示例代码如下：

def mkdir(path):

去除首位空格

path=path.strip()

去除尾部 \ 符号

path=path.rstrip("\")

判断路径是否存在，存在——True；不存在——False

isExists=os.path.exists(path)

判断结果

if not isExists:

# 如果不存在则创建目录，创建目录操作函数

os.makedirs(path)  

return True

else:

# 如果目录存在则不创建，并提示目录已存在

return False

2. 从数据库中提取绘图数据

略。

3. 绘制图形并保存为图片

3.1. 创建画板

每画一幅图片时，需要先创建新的空白画板，并定义好图片尺寸，语法自己网上百度去，这里先给出简单的样例。

plt.figure(figsize(1.92, 1.2)) # 设置 figsize 192*120

3.2. 设置画板

首先，定义最大坐标视窗。例如 plt.axis([0,4,0,50])，二维的坐标系；

其次，增加图片中网格，方便分析曲线，语句是plt.grid()。

3.3. 画图

plt.plot(x,y,color="Blue")

plt.plot(upx,upy,color="Red")

plt.plot(downx,downy,color="Red")

3.4. 保存图片

使用pythonplt.savefig()保存图片到指定目录中。

为了提高CNN的性能，最直接的是减小图片尺寸，需要把图片四周空白去掉，并保留坐标系（可以不要刻度值）。

在这里插入图片描述

在这里插入图片描述

对比效果，最后采用temp2的方案——去白边留刻度。示例代码如下：

在这里插入图片描述

3.5. 关闭画板

保存图片到磁盘中，应关闭画板（如果是少量图片，无所谓了，但是，大量图片的情况下，如果不关闭画板，则很快耗尽资源而崩溃），使用方法：plt.close()。

最后，分享关键代码片段如下：

while row < c:

tmp_data = data_X[row]

......

1.创建画板

plt.figure(figsize(1.92, 1.2)) # 设置 figsize 192*120

plt.rcParams['savefig.dpi'] = 300 #图片像素

plt.rcParams['figure.dpi'] = 300 #分辨率

默认的像素：[6.0,4.0]，分辨率为100，图片尺寸为 600&400

plt.axis(ax)

plt.grid()

plt.plot(x,y,color="Blue")

plt.plot(upx,upy,color="Red")

plt.plot(downx,downy,color="Red")

去掉图片四周的空白，减少图片像数

plt.gca().xaxis.set_major_locator(plt.NullLocator())

plt.gca().yaxis.set_major_locator(plt.NullLocator())

plt.subplots_adjust(top=1,bottom=0.05,left=0.05,right=1,hspace=0,wspace=0)

plt.subplots_adjust(top=1,bottom=0,left=0,right=1,hspace=0,wspace=0)

plt.margins(0,0)

plt.show()

mkdir(str(data_Y[row]))

plt.savefig(str(data_Y[row]) + "\" + str(row)+".jpg")

紧凑图像，会改变图像尺寸，在此不适用

plt.savefig(str(data_Y[row]) + "\" + str(row)+".jpg",bbox_inches='tight')

plt.close() # 关闭画板

row = row + 1

通过CNN两层神经网络分析、测试，总结如下：

1、图像在坐标系位置准确，坐标轴、网格（grid）对预测结果没有（显著）影响；

2、图像尺寸由192×120缩减到160×100，对预测结果没有（显著）影响。