作为一项自我发展练习，我想开发一个简单的分类算法，可以识别出迪尔伯特漫画中出现的人物角色（Dilbert、PHB、Ratbert等）。
我认为最好的方法是：(1) 对图像应用某种算法，将其转换为一组特征，并且 (2) 利用训练集和可能的机器学习算法之一，将某些特征的存在/缺失与单元格中的特定角色相关联。
那么我的问题是—— (a) 这样做是否正确，(b) 由于有多个分类算法和 ML 算法需要测试，有什么好的方法来找到正确的算法，以及 (c) 鉴于我们实际上正在对漫画进行分类练习，您会从哪些算法开始？
所以我认为你在第一步 (将算法应用于图像，从而将其转换为一组特征) 上走在了正确的道路上。
这个项目比大多数机器学习问题更具挑战性，因为你实际上需要从原始数据中创建训练数据集（由卡通片的各个帧组成）。例如，获取一个帧，识别其中两个角色（Dilbert和带有角的角色（Dilbert的老板，我认为他的名字不知道），从该帧中提取这两个角色，并将适当的类标签（例如，“1”表示Dilbert）附加到每个角色上。
第一步
要从组成Dilbert卡通片的每个帧中提取单个字符，我建议对每个帧进行光谱分解。如果你不熟悉这种技术，它本质上就是一种特征向量分解。
如果你喜欢python（或者R，因为你可以使用像RPy这样的Python-to-R绑定），那么我强烈建议你看看sklearn。特别是这个优秀的库（最初是在SciPy scikits项目伞下开发的，因此使用NumPy + SciPy进行矩阵计算）有几个用于图像分割的算法之一是基于光谱聚类。对于你项目中的这一步骤，你最可能想要查看这两个scikits.learn模块：
sklearn.feature_extraction（特别是image子模块）
sklearn.cluster.spectral_clustering
选择一个合适的机器学习技术。你有很多选择；唯一的标准是该技术属于监督类别（因为你已经为数据分配了类标签），并且它能够作为一个分类器运行（即返回一个类标签，而不是一个输出数值的回归器）。考虑到这是一个个人项目，我建议你选择最有趣的那个。一些满足我刚才提到的标准的技术包括：多层感知器（神经网络）、支持向量机（SVM）和k-近邻（kNN）。
第四步
训练、验证和测试你的分类器。
替代技术: 模板匹配
完成第一步后（每个图像都被分解成一组对象，其中一些无疑代表字符），您可以手动筛选这些分解产物，并收集漫画中每个字符的示例。 这些是模板。
接下来，您将从图像中分割出来的对象与这组唯一模板进行比较。在scikit-image中，另一个scipy scikit，您可以使用match_template方法，将模板图像和候选图像作为参数传入。该方法返回一个二维数组，显示像素与像素之间的相关性（介于-1和1之间）。
import requests
import json
import urllib
model_name = "Enter-Your-Model-Name-Here"
url = "http://static5.businessinsider.com/image/525464f969bedd0b0422cfb6/dilbert-creator-scott-adams-presents-his-10-favorite-comics-of-all-time.jpg"
files = {'uploadfile': urllib.urlopen(url).read()}
url = "http://demo.nanonets.ai/classify/?appId="+model_name
r = requests.post(url, files=files)
print json.loads(r.content)
响应结果如下：
{
"message": "Model trained",
"result": [
{
"label": "Dilbert",
"probability": 0.97
},
{
"label": "PHB",
"probability": 0.025
},
{
"label": "Ratbert",
"probability": 0.005
}
]
}