04_人脸识别实战（深度学习）- 数据处理

由于获取的数据（比如图片分辨率），大多不一致，为了更好的训练模型，我们常常需要对数据进行简单的处理，本次人脸模型数据训练处理方式如下：

归一化

平时我们图片一般是RGB的，每个像素的取值范围为0-255，由于现在的模型深度比较深，所以在计算的时候，由于底层的一点点小的变化，都会导致高层的剧烈变化，甚至超出数据的最大范围。所以我们需要对数据处理一下。
我们处理数据主要的方式“数据归一化”，数据归一化方式很多，我们这里不再展开，直接将数据范围缩小到[0,1]之间

image = np.asarray(image, dtype='float64')/256

改变图片为统一大小

模型中，数据的输入在编译后，对输入的数据就必须大小统一，所以我们需要修改图片大小，缩小容易，但是放大却需要填充像素，常用的填充像素的方式有最近邻插值、双线性插值（默认）等

 image = cv2.resize(image, input_shape)

变为灰色

灰度图像依然能够完好地展示图像中的各个部分的轮廓、纹理、形状等关键特征，同时灰度图片结构相对于彩色图片更为简单（3通道变为1通道）。所以我们经常将图片转换为灰度图像，这样可以极大的减少计算量。

image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

处理标签（y_train,y_test）为One-hot形式

训练模型时，为方便计算，我们经常将标签的值修改One-hot形式，比如有3中不同的标签:

• 当标签为0时：我们修改为[0,0,1]
• 当标签为1时：我们修改为[0,1,0]
• 当标签为2时：我们修改为[1,0,0]

from keras.utils import to_categorical
y = to_categorical(y)

• 前面3种处理方式，我们统一在一个方法中

def preprocess_image(input_shape, image):
    assert len(input_shape) == 3
    if input_shape[-1] == 1:
        image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    input_shape = input_shape[:2]
    image = cv2.resize(image, input_shape)
    image = np.asarray(image, dtype='float64')/256
    
    if len(image.shape) < 3:
        image = np.expand_dims(image, -1)
    return image

• 最后，我们其实希望在加载图片的时候，就将图片处理好，于是修改前面博客中的load_dataset方法，如下：

from keras.utils import to_categorical
def load_dataset(img_path):
    input_shape = (224,224,1)
    img_dirs = os.listdir(img_path)
    X = []
    y = []
    for img_name in img_dirs:  
        img = cv2.imread(img_path + "/" + img_name)
        img = preprocess_image(input_shape,img)
        X.append(img)
        row = int(img_name.split("_")[1]) #原图（olivettifaces）中第row行的
        count = int(img_name.split("_")[2].split(".")[0]) #原图（olivettifaces）中第count列的
        y.append(int(row * 2 + count / 10)) #每个数字，代表一个人脸，图中每行2个人
    X = np.array(X)
    y = np.array(to_categorical(y))
    return X,y