Python 我们如何真正清洁或预处理图像进行图像分类？
我有一个简单的问题要问你们中的一些人。我做过一些图像分类教程。只有MNIST数据集这样的简单数据集。然后我注意到他们这样做Python 我们如何真正清洁或预处理图像进行图像分类？,python,machine-learning,deep-learning,neural-network,conv-neural-network,Python,Machine Learning,Deep Learning,Neural Network,Conv Neural Network,我有一个简单的问题要问你们中的一些人。我做过一些图像分类教程。只有MNIST数据集这样的简单数据集。然后我注意到他们这样做 train_images = train_images / 255.0 现在我知道矩阵中的每个值（即图像）都被255.0除。如果我没记错的话，这叫做规范化，对吗？（如果我错了，请纠正我，否则告诉我我是对的） 我只是好奇是否有“更好的方式”、“另一种方式”或“最好的方式”来预处理或清理图像，然后这些清理后的图像将被送入网络进行培训 如果您想提供示例源代码，请。请请便。我想看
train_images = train_images / 255.0
谢谢大家! 图像分类前的预处理图像可包括以下内容：
- 正常化：你已经提到了
- 重塑为统一分辨率（img高度x img宽度）：更高的分辨率会导致更好的学习，更小的分辨率可能会丢失重要特征。有些模型有默认的输入大小，您可以参考。也可以使用所有图像的平均大小
- 颜色通道：1表示灰度，3表示rgb刻度。根据您的应用程序，您可以设置此选项
- 数据扩充：如果您的模型过拟合或数据集很小，您可以通过更改原始图像（翻转、旋转、裁剪、缩放…）来复制数据集，以增加数据集
- 图像分割：可以执行分割以突出显示可能有利于应用程序的区域或边界。例如，在医学图像分类中，为了提高分类性能，可能会对人体的某些部位进行遮罩
例如，我最近研究了肺部CT扫描图像的图像分类。为了进行预处理，我对图像进行了重塑，并使其具有灰度。然后我进行了图像分割以突出显示图像中的肺部。我对图像像素进行了标准化，将其放入分类模型中。根据您的应用程序，您可能需要考虑其他更多的预处理技术。我认为没有“最佳”的方式。这完全取决于你试图解决的问题。据我所知，标准化的原因是为了防止数字过快膨胀。预处理取决于您处理的数据类型，在图像的情况下，我们通常进行标准化。但在某些情况下，您需要裁剪图像或更改其颜色空间。在医学成像中，在输入模型之前，我们需要做一些额外的工作。非常感谢！你的答案很好！非常感谢。它给了我更多关于它的信息谢谢你的回答！我不知道为什么有些人不喜欢我的问题，但我的问题对我来说真的很重要，我想人们可能也有同样的问题。我很快就要进行深度学习了，我刚做完一些东西就准备好了。非常感谢！你的答案是最好的！我会检查的，但让我们等待其他人的回答。我喜欢从人们那里了解更多。再次感谢你德怀特，嗯，我可以问你戴面具是什么意思吗？图像的某些部分可能被遮住了？像素是否可以以某种方式增强？我很高兴我的答案有帮助。：）我所说的蒙版图像是指将背景像素设为零，而将肺部像素设为非零。这将只显示肺部像素，其余部分变为黑色。这将显示隐藏的肺部CT扫描图像的样子。这允许模型只学习肺部的特征，而不是背景，因此提高了模型的性能。。。再次感谢你！