计算机视觉 卷积神经网络 深度学习 图像识别与分类 图像预处理（含源代码）

已于 2023-11-18 23:41:00 修改
阅读量1.3k 收藏 15
点赞数 23
文章标签： 深度学习 计算机视觉 cnn 人工智能 视觉检测 图像处理 python
于 2023-11-10 12:10:28 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/muaamua/article/details/134328340
版权

文章目录

概要

计算机视觉 模型训练 图像预处理 图像识别 深度学习 卷积神经网络CNN 图像分类

在计算机视觉领域，图像预处理是CNN等深度学习模型训练的重要步骤。它包括一系列操作，如椒盐噪声、高斯噪声、调整图像的昏暗和亮度、旋转、翻转、随机裁剪、缩放、随机旋转、平移以及高斯模糊处理等。这些操作不仅可以改善图像的质量，增加图像的识别率，而且可以提升计算机视觉模型的性能。

第三方库需求和技术名词解释

库的需求

技术名词解释

  • image： 用 cv2.imread()读取 或者 image.load_img()后img_to_array()读取 的图像RGB array数组
  • percetage： 图像处理的比例
  • angle： 图像旋转的角度
  • 函数返回PTL Image对象便于保存展示

去除噪声

主要说说椒盐噪声和高斯噪声

椒盐噪声和高斯噪声都是在数字图像处理中常见的噪声类型，通常由图像传感器、传输信道及解码处理等因素产生。

椒盐噪声，如其名称所示，是随机的黑色和白色像素点混杂在图像中，这使得图像中的一些像素点变得十分明显且不规则。这种噪声可能由于传感器损坏、传输错误或压缩等原因而产生。因为椒盐噪声可以看做是一种逻辑噪声，用线性滤波器滤除的效果往往并不理想，一般采用中值滤波器可以得到较好的去噪效果。

 # 椒盐噪声
    def SaltAndPepper(self,image,percetage):
        SP_NoiseImg=image.copy()
        h, w = image.shape[:2]
        SP_NoiseNum=int(percetage*h*w)
        for i in range(SP_NoiseNum):
            randR=np.random.randint(0,h-1)
            randG=np.random.randint(0,w-1)
            randB=np.random.randint(0,3)
            if np.random.randint(0,1)==0:
                SP_NoiseImg[randR,randG,randB]=0
            else:
                SP_NoiseImg[randR,randG,randB]=255
        return Image.fromarray(SP_NoiseImg)

另一方面，高斯噪声是指其概率密度函数服从高斯分布（即正态分布）的一类噪声。这种噪声的特点是某个强度的噪声点个数最多，离这个强度越远噪声点个数越少，且这个规律服从高斯分布。它是一种加性噪声，即噪声直接加到原图像上，因此可以用线性滤波器滤除。但是当高斯噪声的方差较大时，中值滤波可能会导致图像模糊和细节信息的丢失。

# 高斯噪声
    def addGaussianNoise(self,image,percetage):
        G_Noiseimg = image.copy()
        h, w = image.shape[:2]
        G_NoiseNum=int(percetage*h*w)
        for i in range(G_NoiseNum):
            temp_x = np.random.randint(0,h)
            temp_y = np.random.randint(0,w)
            G_Noiseimg[temp_x][temp_y][np.random.randint(3)] = np.random.randn(1)[0]
        return Image.fromarray(G_Noiseimg)

总的来说，这两种噪声都会对图像质量产生负面影响，需要通过适当的去噪方法来改善图像质量。在图像处理中，可以通过滤波器来去除这些噪声，从而改善图像质量。

亮度调整

昏暗与明亮

通过调整图像的昏暗和明亮可以使图像更加清晰，突出图像的主要特征。这个比较容易理解，就不详细解释了，直接上代码。

 # 昏暗
    def darker(self,image,percetage=0.9):
        image_copy = image.copy()
        h, w = image.shape[:2]
        #get darker
        for xi in range(0,w):
            for xj in range(0,h):
                image_copy[xj,xi,0] = int(image[xj,xi,0]*percetage)
                image_copy[xj,xi,1] = int(image[xj,xi,1]*percetage)
                image_copy[xj,xi,2] = int(image[xj,xi,2]*percetage)
        return Image.fromarray(image_copy)

    # 亮度
    def brighter(self,image,percetage=1.5):
        image_copy = image.copy()
        h, w = image.shape[:2]
        #get brighter
        for xi in range(0,w):
            for xj in range(0,h):
                image_copy[xj,xi,0] = np.clip(int(image[xj,xi,0]*percetage),a_max=255,a_min=0)
                image_copy[xj,xi,1] = np.clip(int(image[xj,xi,1]*percetage),a_max=255,a_min=0)
                image_copy[xj,xi,2] = np.clip(int(image[xj,xi,2]*percetage),a_max=255,a_min=0)
        return Image.fromarray(image_copy)

几何变换

主要包括旋转、翻转、随机裁剪、缩放、随机旋转和平移

旋转、翻转、随机裁剪、缩放、随机旋转和平移等几何变换可以增加模型对物体形状和方向的鲁棒性。例如，通过随机裁剪和缩放可以扩充数据集，防止模型过拟合；旋转、翻转和平移等操作则可以提高模型的泛化能力。

    # 旋转
    def rotate(self,image,angle,center=None, scale=1.0):
        h, w = image.shape[:2]
        # If no rotation center is specified, the center of the image is set as the rotation center
        if center is None:
            center = (w / 2, h / 2)
        m = cv2.getRotationMatrix2D(center, angle, scale)
        rotated = cv2.warpAffine(image, m, (w, h))
        return Image.fromarray(rotated)

    # 翻转
    def flip(self,image):
        flipped_image = np.fliplr(image)
        return Image.fromarray(flipped_image)

    # 随机裁剪
    def caijian(self,image):
        h, w = image.shape[:2]
        minsize = min(w, h)
        transform = transforms.RandomCrop(minsize)
        image=Image.fromarray(image)
        return transform(image)

    # 缩放 *2
    def suofang(self,image):
        h, w = image.shape[:2]
        transform = transforms.Resize(( h * 2,w * 2))
        image = Image.fromarray(image)
        return transform(image)

    # 随机旋转
    def xuanzhuan(self,image):
        transform_1 = transforms.RandomRotation(degrees=(45, 45), expand=True)
        image = Image.fromarray(image)
        return transform_1(image)

    # 随机平移
    def pingyi(self,image):
        # 获取图像高度和宽度
        h, w = image.shape[:2]
        # 定义平移矩阵，向右移动x像素，向下移动y像素
        # 平移矩阵(浮点数类型)  x_shift +右移 -左移  y_shift -上移 +下移
        x=random.randint(0,w)
        y=random.randint(0,h)
        M = np.float32([[1, 0, x], [0, 1, y]])
        # 应用平移矩阵，实现图像平移
        shifted = cv2.warpAffine(image, M, (w,h))
        return Image.fromarray(shifted)

高斯模糊处理

高斯模糊处理
高斯模糊处理是一种常用的图像处理方法，它可以减少图像中的噪声并突出图像的主要特征。这对于提高计算机视觉模型的性能至关重要。

 # 高斯模糊处理
    def gaussianBlur(self,image,ksize,sigmaX):
        blur = cv2.GaussianBlur(image, ksize, sigmaX)
            #  cv2.GaussianBlur(图像，卷积核，标准差）
        return  Image.fromarray(blur)

高斯模糊，又被称为高斯平滑，是一种广泛应用于图像处理软件如Adobe Photoshop、GIMP以及Paint.NET中的处理效果。这种处理方式通常用于减少图像噪声以及降低细节层次。
具体来说，高斯模糊实现的方式是将每个像素点和其周围像素点以某种方式进行混合。这样可以在不改变原图的大致形态的前提下，让图像看上去像是经过了模糊处理。
为了达到这个效果，高斯模糊采用了卷积运算。在这个过程中，每一个像素点的值，都是由其自身和邻域内的其他像素值按照一定的权重进行加权平均得到的。这个权重的分配，正是按照高斯函数的形式进行的。也就是说，距离当前像素点越远的像素，其对新的像素值的贡献越小。
因此，高斯模糊不仅可以有效地消除图像中的噪声，还能保持图像的整体轮廓，不会过分强调图像的细节部分。这使得高斯模糊成为了图像处理中常用的一种技术手段。

技术细节、源码分享

将以上图像预处理封装成类

class Picture_Enhancement():  # 图像处理类
    # 传入 用cv2.imread()读取 或者 image.load_img()后img_to_array()读取 的图像RGB array数组
    # 返回PTL Image对象便于保存展示
    def __init__(self):  # 没有参数的构造器，调用函数时必须传入图像的RGB array数组
        pass

    # 椒盐噪声
    def SaltAndPepper(self,image,percetage):
        SP_NoiseImg=image.copy()
        h, w = image.shape[:2]
        SP_NoiseNum=int(percetage*h*w)
        for i in range(SP_NoiseNum):
            randR=np.random.randint(0,h-1)
            randG=np.random.randint(0,w-1)
            randB=np.random.randint(0,3)
            if np.random.randint(0,1)==0:
                SP_NoiseImg[randR,randG,randB]=0
            else:
                SP_NoiseImg[randR,randG,randB]=255
        return Image.fromarray(SP_NoiseImg)

    # 高斯噪声
    def addGaussianNoise(self,image,percetage):
        G_Noiseimg = image.copy()
        h, w = image.shape[:2]
        G_NoiseNum=int(percetage*h*w)
        for i in range(G_NoiseNum):
            temp_x = np.random.randint(0,h)
            temp_y = np.random.randint(0,w)
            G_Noiseimg[temp_x][temp_y][np.random.randint(3)] = np.random.randn(1)[0]
        return Image.fromarray(G_Noiseimg)

    # 昏暗
    def darker(self,image,percetage=0.9):
        image_copy = image.copy()
        h, w = image.shape[:2]
        #get darker
        for xi in range(0,w):
            for xj in range(0,h):
                image_copy[xj,xi,0] = int(image[xj,xi,0]*percetage)
                image_copy[xj,xi,1] = int(image[xj,xi,1]*percetage)
                image_copy[xj,xi,2] = int(image[xj,xi,2]*percetage)
        return Image.fromarray(image_copy)

    # 亮度
    def brighter(self,image,percetage=1.5):
        image_copy = image.copy()
        h, w = image.shape[:2]
        #get brighter
        for xi in range(0,w):
            for xj in range(0,h):
                image_copy[xj,xi,0] = np.clip(int(image[xj,xi,0]*percetage),a_max=255,a_min=0)
                image_copy[xj,xi,1] = np.clip(int(image[xj,xi,1]*percetage),a_max=255,a_min=0)
                image_copy[xj,xi,2] = np.clip(int(image[xj,xi,2]*percetage),a_max=255,a_min=0)
        return Image.fromarray(image_copy)

    # 旋转
    def rotate(self,image,angle,center=None, scale=1.0):
        h, w = image.shape[:2]
        # If no rotation center is specified, the center of the image is set as the rotation center
        if center is None:
            center = (w / 2, h / 2)
        m = cv2.getRotationMatrix2D(center, angle, scale)
        rotated = cv2.warpAffine(image, m, (w, h))
        return Image.fromarray(rotated)

    # 翻转
    def flip(self,image):
        flipped_image = np.fliplr(image)
        return Image.fromarray(flipped_image)

    # 随机裁剪
    def caijian(self,image):
        h, w = image.shape[:2]
        minsize = min(w, h)
        transform = transforms.RandomCrop(minsize)
        image=Image.fromarray(image)
        return transform(image)

    # 缩放 *2
    def suofang(self,image):
        h, w = image.shape[:2]
        transform = transforms.Resize(( h * 2,w * 2))
        image = Image.fromarray(image)
        return transform(image)

    # 随机旋转
    def xuanzhuan(self,image):
        transform_1 = transforms.RandomRotation(degrees=(45, 45), expand=True)
        image = Image.fromarray(image)
        return transform_1(image)

    # 随机平移
    def pingyi(self,image):
        # 获取图像高度和宽度
        h, w = image.shape[:2]
        # 定义平移矩阵，向右移动x像素，向下移动y像素
        # 平移矩阵(浮点数类型)  x_shift +右移 -左移  y_shift -上移 +下移
        x=random.randint(0,w)
        y=random.randint(0,h)
        M = np.float32([[1, 0, x], [0, 1, y]])
        # 应用平移矩阵，实现图像平移
        shifted = cv2.warpAffine(image, M, (w,h))
        return Image.fromarray(shifted)

    # 高斯模糊处理
    def gaussianBlur(self,image,ksize,sigmaX):
        blur = cv2.GaussianBlur(image, ksize, sigmaX)
            #  cv2.GaussianBlur(图像，卷积核，标准差）
        return  Image.fromarray(blur)

对整个图像文件夹进行处理

# 使用时传入 需处理图像的文件夹路径，处理后图像保存的文件夹路径，以及Picture_enhancement类对象
def Main(file_dir_old,file_dir_new,pic):
    for img_name in os.listdir(file_dir_old):
        img_path = file_dir_old + img_name
        img = cv2.imread(img_path)

        # 增加噪声
        img_salt = pic.SaltAndPepper(img,0.3 )
        img_salt.save(file_dir_new + img_name[0:7] + '_salt.jpg')
        img_gauss = pic.addGaussianNoise(img,0.3)
        img_gauss.save(file_dir_new + img_name[0:-4] + '_noise.jpg')

        #变亮、变暗
        img_darker = pic.darker(img)
        img_darker.save(file_dir_new + img_name[0:-4] + '_darker.jpg')
        img_brighter = pic.brighter(img)
        img_brighter.save(file_dir_new + img_name[0:-4] + '_brighter.jpg')

        # 旋转
        img_rotate=pic.rotate(img,45)
        img_rotate.save(file_dir_new + img_name[0:-4] + '_rotate.jpg')

        # 镜像
        img_flipped = pic.flip(img)
        img_flipped.save(file_dir_new +img_name[0:-4] + '_fli.jpg')

        #随机裁剪
        img_caijian = pic.caijian(img)
        img_caijian.save(file_dir_new + img_name[0:-4] + '_caijian.jpg')

        # 缩放*2
        img_suofang = pic.suofang(img)
        img_suofang.save(file_dir_new + img_name[0:-4] + '_suofang.jpg' )

        # 随机旋转
        img_xuanzhuan = pic.xuanzhuan(img)
        img_xuanzhuan.save(file_dir_new + img_name[0:-4] + '_xuanzhuan.jpg')

        # 随机平移
        img_pingyi = pic.pingyi(img)
        img_pingyi.save(file_dir_new + img_name[0:-4] + '_pingyi.jpg')

        # 高斯模糊处理
        img_blur = pic.gaussianBlur(img,(7, 7), 1.5)
        img_blur.save(file_dir_new + img_name[0:-4] + '_blur.jpg')

对一张图片进行处理并可视化

# 使用时传入 需处理图像的路径，以及Picture_enhancement类对象
def Example(img_path,pic):
    img = cv2.imread(img_path)
    h, w = img.shape[:2]
    canvas = Image.new('RGB', (w * 5, h * 3), color='white') # 创建一个空白图像

    # 增加噪声
    img_salt = pic.SaltAndPepper(img, 0.3)
    canvas.paste(img_salt, (0, 0))
    img_gauss = pic.addGaussianNoise(img, 0.3)
    canvas.paste(img_gauss, (0 + w, 0))

    # 变亮、变暗
    img_darker = pic.darker(img)
    canvas.paste(img_darker, (0 + 2 * w, 0))
    img_brighter = pic.brighter(img)
    canvas.paste(img_brighter, (0 + 3 * w, 0))

    # 旋转
    img_rotate = pic.rotate(img, 45)
    canvas.paste(img_rotate, (0, 0 + h))

    # 镜像
    img_flipped = pic.flip(img)
    canvas.paste(img_flipped, (0 + w, 0 + h))

    # 随机裁剪
    img_caijian = pic.caijian(img)
    canvas.paste(img_caijian, (0 + 2 * w, 0 + h))

    # 缩放*2
    img_suofang = pic.suofang(img)
    canvas.paste(img_suofang, (0 + 3 * w, 0 + h))

    # 随机旋转
    img_xuanzhuan = pic.xuanzhuan(img)
    canvas.paste(img_xuanzhuan, (0, 0 + 2 * h))

    # 随机平移
    img_pingyi = pic.pingyi(img)
    canvas.paste(img_pingyi, (0 + w, 0 + 2 * h))

    # 高斯模糊处理
    img_blur = pic.gaussianBlur(img, (7, 7), 1.5)
    canvas.paste(img_blur, (0 + 2 * w, 0 + 2 * h))

    canvas.show()
    canvas.save("example.jpg")

效果图：图像预处理可视化
处理依次是：
椒盐噪声 高斯噪声 昏暗 亮度
旋转 翻转 随机裁剪 缩放
随机旋转 平移 高斯模糊处理

主函数

if __name__=="__main__":
    pic=Picture_Enhancement()  # Picture_Enhancement 对象，传入图像的RGB array数组，返回PTL Image对象便于保存展示

    img_path = 'data/normal1.jpg'
    Example(img_path=img_path, pic=pic)

    Main(file_dir_old="./data/", file_dir_new="./new_data/", pic=pic)  # 题目数据增强
    Main(file_dir_old="./net_data/",file_dir_new="./new_data/",pic=pic)  # 过采样数据增强，解决类别不平衡问题
    # 传入图片文件夹路径（工作目录下的image文件夹）
    # 对图像进行处理：
    # 如：椒盐噪声 高斯噪声 昏暗 亮度 旋转 翻转 随机裁剪 缩放 随机旋转 平移 高斯模糊处理

小结

这里是总结
总的来说，图像预处理在计算机视觉、深度学习、CNN模型训练中起着至关重要的作用。通过对图像进行适当的预处理，我们可以改善图像质量，增加图像的识别率，并提升计算机视觉模型的性能。

cxlhyx
关注
  • 23
    点赞
  • 踩
  • 15
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
cnn训练数据 （一）：图片预处理
weixin_45680479的博客
02-21 2423
cnn训练数据 (一）图片预处理 图片大小调整 创建两个文件夹： 1.需处理图片放在文件 test_data 中 2. 新生成的图片放在文件 resize_image 中 使用PIL库改变图形大小 使用os库读取文件路径 from PIL import Image import os img_path = r'./test_data' resize_path = r'./resize_image...
079含10多种卷积神经网络CNN模型的图像识别小程序版本
HDFGKJSDHFLS的博客
09-26 129
在02中可以选择的模型有10多种可以对比，包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin transformer等10多种模型。运行03flask_server.py是使用flask生成http接口连接小程序端，通过小程序传过来的图片，调用logs文件夹下训练好的模型，识别结果返回给小程序端口。请注意，以上步骤是一个概述，具体的实施可能因任务和数据集的不同而有所不同。
【ncnn】——图像预处理
怡宝2号
10-09 832
ncnn中图像预处理采用Mat类的substract_mean_normalize，该函数所做的操作为： (x - mean) * norm 和我们一般用python做的预处理操作 (x/255 - mean) / std 是有差别的。
图像处理神经网络数据预处理步骤的详细解释和分析
weixin_42605076的博客
05-23 1220
图像预处理步骤对于图像处理神经网络至关重要。这些步骤不仅保证了数据的一致性和质量，还可以通过数据增强等技术提高模型的泛化能力，从而提升模型的整体性能。每一步骤的选择和应用都基于具体任务和数据集的特性，并在模型训练和测试过程中起到关键作用。
CNN图像前处理优化
weixin_42849849的博客
12-07 848
图像前处理优化 在进入CNN网络之前，输入图像需要进行前处理。包括将原始图像缩放到一定尺度(应用中根据原始图像最小边缩放到256大小)，在缩放后的图像中心位置抠出224x224尺度的ROI区域，将ROI区域RGB通道进行通道分离，进而获得独立三通道图(HWC->CHW),对每个通道数据减去对应均值并乘上比例因子,将计算后的float32数值转换成float16格式。这几个步骤可以单独利用OpenCV函数实现，但效率很低，优化的目的是通过将所有步骤融合成一个函数实现，同时利用AVX2指令加速实现floa
数字图像处理课程设计---基于CNN(卷积神经网络)的医学影像识别
热门推荐
xtcc的博客
04-28 1万+
文章目录1.实验背景2.实验目的与意义3.环境搭建与数据集3.1 环境搭建3.2 数据集准备4.实验步骤4.1 初始设置4.2 数据预处理4.3 构建模型4.3.1 卷积层4.3.2 激活函数层4.3.3 池化层4.3.4 Dropout层4.3.5 Flatten层4.3.6 全连接层（Dense）4.3.7 Softmax4.3.8 自己搭建的三次网络5.实验结论5.1 训练参数对比5.2 激活函数对比5.3 损失函数对比5.4 梯度下降算法对比5.5 学习率、迭代次数、batchsize5.6 实验结
深度学习实战项目：利用卷积神经网络实现图像风格的迁移（含源码、数据集、说明文档）.zip
12-18
卷积神经网络（Convolutional Neural Networks，简称CNN）在深度学习领域中是图像处理的明星模型，尤其在图像识别、图像分类以及图像生成任务上表现出色。本项目旨在通过CNN实现图像风格迁移，这是一种将内容图像的...
MATLAB计算机视觉与深度学习实战代码 - 基于 Simulink 进行图像和视频处理.rar
最新发布
06-06
《MATLAB计算机视觉与深度学习实战》是一本深入探索如何使用MATLAB进行计算机视觉和深度学习的书籍。书中结合实际案例，提供了丰富的源代码实例，旨在帮助读者掌握这两种技术在图像和视频处理中的应用。MATLAB作为一...
计算机视觉与深度学习实战光盘资料matlab源代码.zip
09-03
计算机视觉与深度学习是当前人工智能领域中的两大热门技术，它们在图像识别、自动驾驶、医疗影像分析、人脸识别等众多应用场景中发挥着关键作用。MATLAB作为一款强大的数学计算和数据分析软件，因其易用性和丰富的库...
MATLAB计算机视觉与深度学习实战代码 - 基于形态学的权重自适应图像去噪.rar
06-06
深度学习，尤其是卷积神经网络（CNN），在图像去噪方面也取得了显著成果，例如DnCNN（Deep Neural Network for Image Denoising）等模型。这些模型可以通过端到端训练学习复杂的噪声模式，实现更高水平的去噪性能。 ...
OpenCV图像识别源码
05-28
源码用的图像识别库OpenCV，据说可以用于开发机器人视觉系统。用于桌面上图像识别也不错。由于是C++代码，所以只能封装成DLL供易语言调用。功能很多，但时间有限，只封装了两个功能。有兴趣可以自行封装。@glxmf。
图像识别源码程序
03-16
图像识别模组源码程序
VC 数字图像识别源代码.rar
07-10
VC 图像数字识别预处理程序实例，可实现256色转灰度图、二值化、梯度锐化、去离散噪声、字符分割、尺寸标准一体化、紧缩重排、保存图像预处理结果为BMP图像等功能，可识别简单的阿拉伯数字，用到了神经网络识别等相关知识。
MATLAB计算机视觉与深度学习实战代码 - 基于 K-means 聚类算法的图像区域分割.rar
06-06
深度学习，特别是卷积神经网络（CNN），在现代计算机视觉中扮演了重要角色，它可以自动学习图像的高级特征并进行更复杂的任务，如分类、目标检测和语义分割。然而，对于某些简单的任务，如色彩均匀的图像分割，K-...
CNN笔记(1)---数据扩充与数据预处理
CodenameNC的博客
04-26 2342
1.Data Augmentation 1.1 简单的数据扩充 图像水平翻转 随机扣取 尺度变换和旋转 色彩抖动：在RGB颜色空间对原有RGB色彩分布进行轻微扰动 也可以在HSV空间随机改变图像原有的饱和度和明度 （改变S和V通道的值） 或对色调进行微调（小范围改变H的值） 1.2 特殊的数据扩充方式 1.2.1 F...
CV | 计算机视觉中数据集的txt,csv数据预处理代码及实例
weixin_44649780的博客
01-02 1341
本文使用同一个数据集进行数据预处理练习，其中包含了人脸图片文件夹，CSV文件，txt文件。
基于CNN机器学习的手势识别
weixin_48579084的博客
03-08 1108
手部检测是计算机视觉领域中的一个重要任务，它的目的是在图像或视频中自动检测出手部区域。在手部识别、安防监控、人机交互等领域中，手部检测都是必不可少的一步。下面将介绍手部检测的基本原理和常用算法。一、手部检测的基本原理手部检测通常需要完成以下几个步骤：图像预处理：对输入的图像进行预处理，包括图像的缩放、灰度化、直方图均衡化等操作，以提高后续处理的效率和准确性。特征提取：对图像中的每个像素点进行特征提取，得到图像的特征向量。常用的特征包括Haar特征、LBP特征、HOG特征等。
Android 百度图像识别（详细步骤+源码）
2401_83916204的博客
03-27 977
代码真的是重质不重量，质量高的代码，是当前代码界提倡的，当然写出高质量的代码肯定需要一个相当高的专业素养，这需要在日常的代码书写中逐渐去吸收掌握，谁不是每天都在学习呀，目的还不是为了一个，为实现某个功能写出高质量的代码。所以，长征路还长，大家还是好好地做个务实的程序员吧。最后，小编这里有一系列Android提升学习资料，有兴趣的小伙伴们可以来看下哦~《Android学习笔记总结+移动架构视频+大厂面试真题+项目实战源码》，点击传送门即可获取！= null?if (result!//显示识别结果。
深度学习图像识别：从卷积神经网络到衣服分类
在深度学习领域，卷积神经网络（Convolutional Neural Networks, CNN）是图像识别任务的核心技术，尤其在视觉分类问题上表现出色。CNN通过多层的卷积层和池化层，学习到图像的局部特征和层次化的模式，从而能够理解...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

cxlhyx

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值