python中如何调用图像处理库_计算机视觉17:使用Python机器学习库Keras进行图像归一化、中心化...

上一篇文章介绍了使用Python机器学习库Keras加载MNIST手写数字数据集、ImageDataGenerator类进行图像处理的一般步骤。本文接着对ImageDataGenerator类进行介绍，主要包括ImageDataGenerator类做图像归一化、中心化。

引言

本系列教程分为五个部分， 分别如下所示。上一篇文章介绍了第一、二部分，本文将主要讲解第三、四部分。

MNIST手写图像数据集ImageDataGenerator类介绍使用ImageDataGenerator进行图像归一化使用ImageDataGenerator进行图像中心化使用ImageDataGenerator进行图像标准化

ImageDataGenerator类进行图像归一化

图像归一化是指将图像中每个像素的范围缩放到0-1之间。

ImageDataGenerator类能够很方便地将图像像素值从0-255重新缩放到0-1，然后再作为训练数据，输入神经网络模型。具体来说，可以通过将rescale参数实现，这个参数指的是每个像素需要缩放的比例，此处设为1/255。

具体代码如下：

接下来，可以为训练数据和测试数据生成迭代器。设置batch_size=64，表示每组数据由64张图片组成。

然后，打印第一批缩放图像的最大和最小像素值，以验证成功执行了图像归一化。

最后，可以用这些归一化后的图像来拟合和评估模型，下面代码定义了一个简单的卷积神经网络模型，设置epochs=5，表示训练5次，每次大概有60000 / 64 = 938个batchs。

如下所示为上述所有过程的完整代码。

ImageDataGenerator类进行图像中心化

图像中心化指的是将图像每个像素减去平均像素。由于这种操作会使得新图片的平均像素为0，所以叫做图像中心化。

ImageDataGenerator类可以在整个训练数据集计算平均值，并将所有图片的像素减去这个平均值。实现这个过程非常简单，只需要指定featurewise_center参数为True即可。具体代码如下所示：

也可以在计算每张图片的平均值，并将图片的像素减去其自身的像素平均值。只需要指定samplewise_center参数为True即可。具体代码如下所示：

另外，还可以只计算每个batch上图片的像素平均值。具体代码如下所示：

下面代码是计算整个训练数据集的平均值，然后对图片做中心化处理，并作为训练数据训练神经网络模型。

小结

通过阅读本文，你应该学会了以下知识：

使用ImageDataGenerator进行图像归一化使用ImageDataGenerator进行图像中心化基于ImageDataGenerator处理后的图像数据训练神经网络模型