C# 基于人工神经网络的目标识别

我有一个关于神经网络输入的问题

我想识别一种叶子

我有3000张不同大小和角度的图片。我正在使用emgucv和VisualStudio2010C

首先，我将所有训练数据转换为灰度，然后将灰度图像转换为二值图像。但为了识别树叶，我决定使用一些基于形状的方法

---

这是个好主意吗？

理想的做法是以矩阵的形式输入数据，无论是RGB、灰度还是黑白矩阵，3000幅图像中的每一幅都应转换为这种数据格式。只是不用担心形状，也就是说：左外周长只是颜色a和颜色B之间的一系列连续局部差异（隐藏层处理这个问题）

---

你能更具体地说明你为什么选择你的方法吗？尝试了解有关为训练NN准备图像的信息。您还可以以java为例，了解如何在RGB和形状基础上准备图像

我使用神经网络结合EMGU进行手写数字识别，也许它可以帮助你

这是一个有监督的分类问题，因此您需要定义3件事（它们将影响识别的质量）：1。班级，2。例3。特征

您必须定义类（在我的例子中，我有10个类：“1”、“2”、“3”、…、“9”、“0”）。在您的案例中，您可以有2个类（“您想要识别的叶子类型”VS“其他叶子”）或N个类（“您想要识别的叶子类型”VS“另一种”VS“另一种”…）

然后你需要每节课的例子来学习。在我的例子中，我每堂课使用10000张图片

最后，您需要提取特征。通常我使用形状（泽尼克或胡的时刻）、颜色（颜色时刻）和纹理（塔穆拉、加博…）。您还可以直接使用图像的像素值作为输入。如果特征对旋转和缩放不稳定，则规范化图像（或图像内容）的大小和方向可能是一个好主意

---

哦，是的。！我读了你给我的链接！最简单的方法是！！将所有图像转换为灰度，然后转换为二进制图像，每个像素都将作为ann的输入，对吗。我的图像有640x480个，我应该调整到20x20吗？有没有办法一次转换3000个图像？因为一个一个的转换是浪费时间的！图像越小，NN的结果越好，始终建议将用于训练的图像尺寸缩放到相同的测试尺寸，以避免可能的问题。使用相同的颜色模式和图像尺寸进行训练和识别。如果颜色对你来说不重要，那么就使用黑白，因为训练速度更快。对于转换，如果是一段代码，那么你“一个接一个”使用的是什么？试着用它批量处理图像。此线程提供了如何执行此任务，此线程对您非常有帮助。只需在一个大for循环中插入代码：）噢！！例如，我有一个包含叶子和背景的图像！但叶子并没有占据所有的图像，所以在这种情况下，我必须裁剪图像，以便叶子占据所有的图像，我是正确的！！首先，我将使用像素值作为输入。！我定义了2个类别，这是一个我想重新命名的叶子，而不是一个叶子（我给出一个包含叶子的图像，NN必须告诉我“那是一片叶子”，如果我给出包含岩石的图像，NN必须告诉我“那不是一片叶子”）！你说的方向正常化是什么意思？用不同角度的不同图像训练神经网络不是更好吗？如果你想识别的对象可以有不同的方向，你有3种解决方案：1。学习几个方向的图像，2。提取对旋转鲁棒的特征（如SIFT、Hu等）或3。通过预处理“规范化”方向，即处理图像，以确保学习和训练图像具有相同的方向。嗯，我决定使用第一种解决方案！你能再给我解释一个问题吗？我之前说过，如果我有两张10x10的图像，我会使用图像的每个像素作为ANN fo示例的输入。输入应为10x10=100x2图像=200。在这种情况下，我有200个输入，对吗？不，NN一次识别一个图像。如果要识别两幅图像，应使用NN两次。如果您的图像有10x10像素，您的输入有100个特征/尺寸。您应该检查mmm，例如，如果安识别出一支钢笔，我如何在钢笔所在的位置绘制一个矩形？？