Projeto de Classificação de Personagens dos Simpsons

Este projeto consiste em um sistema de classificação de personagens dos Simpsons utilizando características extraídas de imagens e alguns classificadores. O objetivo é treinar o classificador com um conjunto de imagens dos simpsons e avaliar sua acurácia usando um conjunto de imagens de teste, que tenta classificar corretamente qual personagem está presente na imagem.

Organização do diretório

O diretório atual contém as seguintes pastas:

• Train: Pasta que contém as imagens utilizadas para treinamento.
• Valid: Pasta que contém as imagens utilizadas para teste.

Requisitos

Certifique-se de ter o Python e as seguintes bibliotecas instaladas:

• OpenCV: pip install opencv-python
• scikit-learn: pip install scikit-learn

O OpenCV é uma biblioteca de visão computacional de código aberto. Ela oferece uma ampla gama de funções e algoritmos otimizados para processamento de imagens e visão computacional. O OpenCV é escrito em C++ e possui interfaces para várias linguagens de programação, incluindo Python.

O scikit-learn é uma biblioteca de aprendizado de máquina em Python, projetada para ser simples e eficiente de usar. Ela fornece uma ampla gama de algoritmos e ferramentas para tarefas de aprendizado de máquina, incluindo classificação, regressão, agrupamento, redução de dimensionalidade e seleção de recursos.

Arquivos

extrator_caracteristicas.py

Este script é responsável por extrair as características das imagens e salvar os dados de treino e teste em arquivos CSV.

• extract_features(image_path): Função que recebe o caminho de uma imagem e retorna o histograma de cores normalizado.
• process_images(directory): Função que processa todas as imagens do diretório, extrai as características e retorna as características e rótulos.
• train_dir e valid_dir: Diretórios de treino e teste, respectivamente.
• train_data.csv e valid_data.csv: Arquivos CSV contendo os dados de treino e teste, respectivamente. Caracteristicas nas primeiras colunas e nome do personagem na última coluna.

classificador_knn.py

Este script carrega os dados de treinamento e teste dos arquivos CSV gerados pelo extrator_caracteristicas.py e realiza a classificação utilizando o algoritmo KNN.

• train_data.csv e valid_data.csv: Arquivos CSV contendo os dados de treino e teste, respectivamente.
• Loop para testar k de 3 a 19.
• knn = KNeighborsClassifier(n_neighbors=k): Criação do classificador KNN com o número de vizinhos igual a k.
• accuracy_score(valid_labels, predictions): Cálcula acurácia do classificador.

Execução do projeto

1. Certifique-se de ter instalado o Python e as bibliotecas necessárias (OpenCV e scikit-learn).

2. Coloque as imagens de treino na pasta Train e as imagens de teste na pasta Valid.

3. Abra um terminal ou prompt de comando na pasta do projeto.

4. Execute o seguinte comando para extrair as características das imagens e gerar os arquivos CSV de treino e teste:

   python extrator_caracteristicas.py

5. Em seguida, execute o seguinte comando para treinar o classificador KNN e calcular a acurácia:

   python classificador_knn.py

6. Analise os resultados obtidos exibidos no terminal.

Observações

• Certifique-se de que as imagens estejam nomeadas corretamente, seguindo o formato personagemXXX.bmp, onde personagem é o nome do personagem e XXX é o número da imagem.
• Os arquivos CSV de treino e teste serão gerados automaticamente pelo script extrator_caracteristicas.py e utilizados pelo script classificador_knn.py.

Certifique-se de ter as permissões adequadas para ler, gravar e executar arquivos e pastas no diretório.