Image processing 深度学习中的图像预处理

我正在尝试对图像进行深度学习。我有大约4000张来自不同相机的图像，它们具有不同的光线条件、图像分辨率和视角

我的问题是：什么样的图像预处理有助于提高目标检测？（例如：对比度/颜色标准化、去噪等）

通读一遍，希望这会有所帮助。其思想是将输入图像分割为多个部分。这被称为R-CNN（是一些例子）。这个过程分为两个阶段，目标检测和分割。目标检测是通过观察梯度变化来检测前景中某些对象的过程。分割是将对象放在一个具有高对比度的图像中的过程。高级图像检测器使用贝叶斯优化，该优化可以使用局部优化点检测接下来可能发生的情况

基本上，在回答您的问题时，您给出的所有预处理选项似乎都很好。由于对比度和颜色标准化使计算机能够识别不同的物体，而去噪将使梯度更容易区分

---

我希望所有这些信息对你有用

用于将图像输入神经网络之前的预处理。最好使数据以零为中心。然后尝试标准化技术。当数据在比任意大的值或太小的值更大的范围内缩放时，它肯定会提高精度

示例图像如下所示：-

以下是斯坦福CS231n 2016年讲座的解释

*

规范化是指规范化数据维度，使其具有大致相同的规模。对于图像数据，有两种实现这种标准化的常用方法。一种方法是将每个维度除以其标准偏差，一旦它以零为中心：

（X/=np.std（X，轴=0））

。这种预处理的另一种形式是对每个维度进行规格化，使维度上的最小值和最大值分别为-1和1。只有当您有理由相信不同的输入特征具有不同的比例（或单位）时，才有必要应用此预处理，但它们对学习算法的重要性应大致相同。在图像的情况下，像素的相对比例已经大致相等（并且在0到255的范围内），因此严格来说没有必要执行此额外的预处理步骤

*

---

以上摘录的链接：-

这篇文章的回复肯定很晚，但希望能帮助偶然发现这篇文章的人

这是我在网上找到的一篇文章，我认为这是一篇关于如何训练网络的好文章

文章的主旨是

1） 作为数据（图像），应根据NN设计采用的图像大小（通常为正方形，即100x100250x250）对NN中的少量数据进行缩放

2）考虑某一组图像

集合中所有输入图像的<强>平均/强>（左图像）和<强>标准偏差< /强>（右图像）值。

3） 归一化图像输入通过从每个像素中减去平均值，然后将结果除以标准偏差来完成，这样可以在训练网络时加快收敛速度。这类似于以零为中心的高斯曲线

4） 降维RGB到灰度图像，允许神经网络性能对该维度保持不变，或使训练问题更易于处理

---

除了上面提到的，提高低分辨率图像（LR）质量的一个好方法是使用深度学习进行超分辨率处理。这意味着要建立一个深度学习模型，将低分辨率图像转换为高分辨率图像。我们可以通过应用降级功能（如模糊等过滤器）将高分辨率图像转换为低分辨率图像。这实质上意味着LR=降级（HR），其中降级功能将高分辨率图像转换为低分辨率图像。如果我们能找到这个函数的倒数，那么我们就把低分辨率的图像转换成高分辨率的图像。这可以被视为一个有监督的学习问题，并使用深度学习来寻找逆函数。在介绍使用深度学习的超分辨率时遇到了这个问题。我希望这会有所帮助。

通常不建议使用仅链接的答案。请将链接中的相关部分添加到您的aswer。随着时间的推移，链接可能会变得无效。谢谢您的回答！事实上，我正在用rcnn做实验，所以我听说了R-CNN。我的问题是我的数据集的图像质量参差不齐，真正的问题是深度学习对图像质量的敏感程度有多高？没有人能回答这个问题，除非他们看了你的数据。一般来说，用深度学习进行预处理是没有必要的。如果你有足够的数据，你的模型可以学习如何适应数据的变化。是的，我知道我的问题太笼统了，但你的回答帮助了我。我真正的问题是深度学习对图像质量有多敏感？深度网络或CNN的过滤器倾向于在您的数据集上学习。数据量越大、种类越多，系统就越健壮。当然，如果您的目标域与培训域不同，这是敏感的。添加到列表中的另一种图像预处理技术可能是照明校正。请参阅更多。还检查您是否考虑使用伽玛校正您的图像。值得注意的是，在本文中提到的平均值是“全球”的意思。所有图像都要减去全局平均值，而不是每个图像都要从自身减去自己的平均值。@Blahblahetchetc如果我不计算数据集的平均值和标准偏差，而是使用平均值和标准偏差，可以吗