问题标签 [image-preprocessing]

我有 BMP 图像。我想以兼容的方式对其进行预处理，该方式可以通过使用 PCA 进行特征提取来处理。

在 CNN 中，滤波器通常在空间上设置为 3x3、5x5。尺寸可以与图像尺寸相媲美吗？一个原因是为了减少要学习的参数数量。除此之外，还有其他关键原因吗？例如，人们想先检测边缘？

我是一名初学者，使用该keras_flow_from_dataframe课程训练有关糖尿病视网膜病变的图像数据集。但我的模型一直欠拟合。所以我尝试了预处理，通过编写一个自定义预处理函数来传递到我的图像数据生成器类中，使用 OpenCV 的自适应阈值实现。当我在 Keras 之外使用它时，该函数工作得很好，但是当我将它添加到我的图像数据生成器类并适合我的模型时，它会bad argument type for built-in operation在我的第一个 epoch 开始之前返回一个类型错误。

这是预处理代码：

当我用我的数据帧中的图像测试它时，它在 Keras 之外运行良好，但是当我将它添加到我的图像数据生成器类时，它会引发错误。

然后我从数据框中加载我的数据集：

然后我使用 拟合模型model.fit_generator，然后抛出类型错误：bad argument type for built-in operation。

我还考虑过对图像进行预处理并将它们保存到一个文件夹中，然后我会将它们从该文件夹加载到一个数据帧中，但它的计算成本高且耗时。

我正在尝试通过将图像重新缩放为 (10, 10) 来预处理图像数据集，该数据集以 numpy 数组表示，形状为 (28, 28) 的图像。我为此写了一个函数：

但是当我真正尝试重新调整它们时，我收到以下错误cv2.resize：

在谷歌中，我只发现在 c++ 上写同样错误的人在做非常不同的事情，比如这个：调整图像大小并改变它的深度和这个：http ://answers.opencv.org/question/19715/error-215- func-0-in-function-convertto/

我如何解决它？

我有一个 3d 像素数据，我想将椭球拟合到它。有没有办法让椭球适合 3d 图像。

到目前为止，我已经在我的数据中包含了一个椭球并对其进行了旋转。我一直在尝试通过在 python 中手动调整椭圆体，方法是为每个所需的旋转更改椭圆体的 x、y、z 轴的半长轴。

我希望获得的是一种椭圆体旋转的自动方式，并且每次旋转到不同的角度时，它都会使椭圆体适合数据。

下图以蓝色描述数据，以红色描述椭圆体。在图 1 和图 2 中，红色的椭球已经以不同的角度旋转。拟合是在 python 中通过在第一张图中手动更改椭球的参数来完成的。

拟合必须使图像中的所有细长结构都应与椭圆体拟合。正如我们在下图中看到的，有很多细长的结构，特别是在图像的下端，需要进行拟合。

我想从噪声图像中删除线条，例如：

IMAGE_NOISED

我使用了诸如腐蚀、膨胀和阈值、去噪 tv 之类的过滤器等形态学操作来去除大部分噪声，但是我在这张图像上有这些线，然后想去除，我已经尝试过霍夫线，让我们讨论一下技术，从图像中提取线条的函数或算法？

是否有任何基于机器学习的技术来预处理图像？

我测试了此链接中存在的大多数算法： Scikit Image - 示例

而且我没有得到好的结果:(。

我正在尝试使用 keras 构建分类模型并将模型部署到我的 Android 手机。我使用该网站上的代码将我自己的转换模型（一个 .pb 文件）部署到我的 Android 手机。我从手机加载图像，一切正常，但预测结果与我从 PC 得到的结果完全不同。

在我的电脑上测试的过程是：

1. 用 cv2 加载图像，并转换为 np.float32

2. 使用 keras resnet50 'preprocess_input' python 函数对图像进行预处理

3. 扩展图像尺寸以进行批处理（批处理大小为 1）

4. 将图像转发到模型并得到结果

相关代码：

而且我注意到Android的图像预处理部分与我在keras中使用的方法不同，它的模式是caffe（将图像从RGB转换为BGR，然后将每个颜色通道相对于ImageNet数据集归零）。似乎原始代码用于模式 tf（将在 -1 到 1 之间缩放像素）。

所以我将下面的'preprocessBitmap'代码修改为我认为应该的，并使用像素值[127,127,127]的3通道RGB图像来测试它。该代码预测的结果与 .h5 模型的结果相同。但是当我加载图像进行分类时，预测结果与 .h5 模型不同。

有人知道吗？非常感谢。

我尝试了以下方法：

1. 在我的手机中加载一个像素值为 [127,127,127] 的 3 通道 RGB 图像，并使用下面的修改代码，它会给我一个与在 PC 上使用 .h5 模型的预测结果相同的预测结果。

2. 使用带有图像的 tensorflow gfile 模块在 PC 上测试转换后的 .pb 模型，它给了我正确的预测结果（与 .h5 模型相比）。所以我认为转换后的 .pb 文件没有任何问题。

preprocessBitmap 的整个部分

train_generator 使用 Keras flow_from_directory 从磁盘读取批量 RGB 图像数据（下面的示例代码）。但就我而言，我有两个图像目录，因此我想读取一对图像并将它们沿深度轴堆叠以在它之前形成一个 6 通道图像（即 2x R、2x G、2x B 通道）转到 fit_generator。

所以，我的问题是如何在使用 Keras flow_from_directory 的同时沿深度轴组合两个 RGB 图像来准备 6 通道输入数据？

我正在从这里关注一个用于分类的示例 CNN 代码：

https://gist.github.com/fchollet/0830affa1f7f19fd47b06d4cf89ed44d

我有多个要解析的 pdf 发票。我将它们转换为图像并使用 ocr 从图像中获取文本。其中一个 pdf 有 3 页中的 2 页旋转 90 度。我如何检测这些旋转的页面并正确旋转它们以使 ocr 返回正确的信息？

我正在用 pytorch 实现一篇关于图像分割的论文。我需要做一些预处理步骤，但因为我是第一次尝试，所以我无法将它们合并到传统的管道中。以下是预处理步骤-

1) N(w, h) = I(w, h) − G(w, h), (1) 其中N为归一化图像，I为原始图像，G为核大小为65的高斯模糊图像*65 和 0 均值和标准差 10。

2）归一化平均图像并将每个像素除以平均标准差。

以下是我上述步骤的代码片段-

我真的不确定如何在传统的 pytorch 数据加载器管道中添加上述功能，例如首先我应该使用ImageFolder然后应用加载数据集或先应用然后使用ImageFolder方法。