使用图像数据进行特征工程

通过特征工程，我们立即想到的是表格数据。然而，我们也可以为图像数据获取特征。目标是提取图像的最重要方面。这样做将使我们更容易找到数据和目标变量之间的映射。

这意味着你可以使用更少的数据和更小的模型进行训练。较小的模型可以减少进行预测所需的时间。当部署在边缘设备上时，这是特别有用的。另一个好处是，你可以更确定你的模型用于进行预测的内容。

我们将使用Python通过一些图像特征工程的方法来演示这一点：

• 裁剪

• 灰度化

• 选择RGB通道

• 强度阈值

• 边缘检测

• 色彩滤镜（即提取给定颜色范围内的像素）

为了保持趣味性，我们将为自动汽车进行操作。如下所示，我们希望使用轨道的图像训练模型。然后，该模型将用于进行指导汽车的预测。最后，我们将讨论从图像数据中进行特征工程的局限性。

特征工程与增强

在我们深入探讨之前，有必要讨论图像增强。这种方法与特征工程有着类似的目标。但是，它们通过不同的方式实现了这些目标。

什么是数据增强？

数据增强是指我们使用代码系统或随机地改变数据。对于图像来说，包括翻转、调整颜色和添加随机噪声等方法。这些方法使我们能够人为地引入噪声并增加数据集的大小。如果你想要更详细地了解图像增强，请参阅本文：

https://towardsdatascience.com/augmenting-images-for-deep-learning-3f1ea92a891c

在生产中，模型将需要在不同的条件下运行。这些条件是由变量确定的，如照明、摄像机的角度、房间的颜色或背景中的物体。

数据增强的目的是创建一个能够应对不同条件下变化的模型，它通过添加模拟真实世界条件的噪声来实现这一目标。例如，改变图像的亮度类似于在不同时间收集数据。

通过增加数据集的大小，数据增强也可以让我们训练更复杂的架构。换句话说，它有助于模型参数的收敛。

图像特征工程

图像特征工程的目标类似，我们想创建一个更加稳健的模型。但现在，我们需要删除不必要的噪声以进行准确的预测。换句话说，我们删除会随着不同条件而变化的变量。

通过提取图像的最重要的方面，我们也在简化问题。这使我们能够依赖于更简单的模型结构。这意味着我们可以使用更小的数据集来找到输入和目标之间的映射。

一个重要的区别在于如何在生产中处理这些方法。你的模型不会对增强后的图像进行预测。但是，在特征工程中，你的模型需要在它训练过的相同特征上进行预测。这意味着你必须能够在生产中进行特征工程。

Python图像特征工程

好的，考虑到这些，让我们开始特征工程。

我们将逐步讲解代码，你还可以在GitHub上找到该项目。

https://github.com/conorosully/medium-articles/blob/master/src/image_tools/image_features.ipynb

首先，我们使用以下导入。我们有一些标准包（2-3行）。Glob用于处理文件路径（第5行）。我们还有一些用于处理图像的包（第7-8行）。

#Imports 
import numpy as np
import matplotlib.pyplot as plt

import glob

from PIL import Image
import