導讀

包括了適用于傳統(tǒng)圖像的數(shù)據(jù)處理和深度學習的數(shù)據(jù)處理。

介紹:

在過去幾年從事多個計算機視覺和深度學習項目之后，我在這個博客中收集了關(guān)于如何處理圖像數(shù)據(jù)的想法。對數(shù)據(jù)進行預處理基本上要比直接將其輸入深度學習模型更好。有時，甚至可能不需要深度學習模型，經(jīng)過一些處理后一個簡單的分類器可能就足夠了。

最大化信號并最小化圖像中的噪聲使得手頭的問題更容易處理。在構(gòu)建計算機視覺系統(tǒng)時，應(yīng)考慮使用濾波器來增強特征并使圖像對光照、顏色變化等更加穩(wěn)健。

考慮到這一點，讓我們探索一些可以幫助解決經(jīng)典計算機視覺或基于圖像的深度學習問題的方法。相關(guān)的代碼倉庫：https://github.com/bikramb98/image_processing。

1. 先簡單再深入:

在應(yīng)用最新和最好的深度學習解決問題之前，請嘗試經(jīng)典的計算機視覺技術(shù)。特別是在數(shù)據(jù)可能稀缺的情況下，就像許多現(xiàn)實世界的問題一樣。

檢查計算圖像像素的統(tǒng)計值（例如均值、峰度、標準差）是否會導致不同類別的統(tǒng)計值不同。然后可以在這些值上訓練一個簡單的分類器，例如 SVM、KNN，以在不同的類之間進行分類。

2. 增加圖像信噪比：

在將它們輸入深度學習模型之前，檢查預處理技術(shù)是否增強了圖像的主要特征并提高了信噪比。這將有助于模型獲得更好的準確性。

使用閾值處理等技術(shù)、腐蝕和膨脹等噪聲消除技術(shù)、高斯模糊（平滑邊緣）和中值模糊（消除椒鹽噪聲）等模糊技術(shù)。

對于不同的問題，不同的運算可能在不同的順序下有用。

通常的做法是多次使用特定運算符，如果可以增強特征，那就在幾個步驟之后再次應(yīng)用。

找到濾波器、閾值等不同kernel大小的最佳組合（其組合可能達到數(shù)百萬?。梢援a(chǎn)生產(chǎn)生最佳效果的圖像，可以通過構(gòu)建交互式滑塊來幫助找到這些值的理想范圍。

3. 直方圖均衡

增強圖像特征的另一種方法是使用直方圖均衡化。直方圖均衡化提高了圖像的對比度。直方圖均衡化的目的是使出現(xiàn)頻率最高的像素值均勻分布。

讓我們看看下面的例子。

可以看出，上圖的對比度非常低。在這種情況下，重要的是要提高對比度，使圖像的特征更清晰可見。OpenCV 提供了兩種這樣做的技術(shù) —— 直方圖均衡化和對比度受限自適應(yīng)直方圖均衡化 (CLAHE)。

應(yīng)用直方圖均衡化，圖像的對比度確實有所提高。但是，它也會增加圖像中的噪點，如下圖中間所示。

這就是CLAHE 的用武之地。使用這種方法，圖像被分成 m x n 網(wǎng)格，然后將直方圖均衡應(yīng)用于每個網(wǎng)格。可以使用交互式滑塊找到理想的對比度閾值和網(wǎng)格大小，如下所示。

用于查找最佳閾值和圖塊大小值的交互式滑塊

從左到右：原始圖像、直方圖均衡圖像、CLAHE 后圖像

4. 圖像的顏色空間變換:

將圖像轉(zhuǎn)換到不同的顏色空間，例如 HSV，通常可以提供更好的信息來分割目標，用于目標跟蹤等情況。通常，RGB 顏色空間對陰影、光照的輕微變化（影響目標的顏色）不穩(wěn)健。對于使用經(jīng)典計算機視覺進行目標跟蹤等任務(wù)，由于上述原因，在稍有不同的環(huán)境中使用時，RGB 空間中經(jīng)過調(diào)試的mask通常會失敗。此外，一旦將圖像轉(zhuǎn)換為不同的空間（例如 HSV），分離通道通常有助于分割感興趣的區(qū)域并消除噪聲。如下圖所示，一旦將圖像轉(zhuǎn)換為 HSV 空間并拆分通道，就可以更輕松地去除陰影并分割網(wǎng)球。

不同的顏色空間（RGB、HSV）及其分量拆分

5. 歸一化圖像:

如果將圖像輸入深度學習模型，則必須使用批歸一化等技術(shù)對圖像進行歸一化，這將有助于標準化網(wǎng)絡(luò)的輸入。這將有助于網(wǎng)絡(luò)學習得更快、更穩(wěn)定。批量歸一化有時也會減少泛化誤差。

6. 進行有意義的增強:

在增強圖像時，確保應(yīng)用的增強技術(shù)保留圖像的類別并且類似于現(xiàn)實世界中遇到的數(shù)據(jù)。例如，對狗的圖像應(yīng)用裁剪增強可能會導致增強后的圖像不像狗。在某些目標使用旋轉(zhuǎn)和翻轉(zhuǎn)進行增強的情況下也是如此。在增強時更改圖像屬性（例如顏色）時要非常小心。此外，請確保擴充數(shù)據(jù)不會更改圖像的標簽。

始終檢查增強圖像是否有意義并反映現(xiàn)實世界。

隨機裁剪等增強如何導致數(shù)據(jù)損壞的示例

7. 訓練集和驗證集的數(shù)據(jù)泄露：

確保相同的圖像（比如原始圖像和增強圖像）不在訓練集和驗證集中同時出現(xiàn)是很重要的。這通常發(fā)生在訓練驗證集拆分之前就執(zhí)行數(shù)據(jù)增強。忽略這一點可能會導致給出錯誤的模型指標，因為它會在訓練期間從非常相似的圖像中學習，這些圖像也存在于驗證集中。

8. 在測試集合驗證集上需要包括所有類別：

確保測試集和驗證集包含所有標簽樣本。這樣模型指標反映的才是模型的真實表現(xiàn)。

以其中一個標簽的樣本數(shù)量明顯較少的情況為例。執(zhí)行隨機訓練集測試集拆分可能會導致更少標簽的類根本不會出現(xiàn)在驗證/測試集中。當訓練好的模型被測試時，它不會在那個特定的類上被測試，模型指標也不會反映其性能的真實表現(xiàn)。

9. 后處理完整性檢查:

模型訓練好之后，執(zhí)行一些完整性檢查也很重要：

確保在多類分類器的情況下所有類的輸出總和為 1。

確保在測試或部署模型時也應(yīng)用訓練期間應(yīng)用于圖像的預處理。

審核編輯 ：李倩