在做图像处理时，如何提高识别算法的设计与效果的精度？

Posted 2023-04-10

 得到更多的数据

这无疑是最简单的解决办法，深度学习模型的强大程度取决于你带来的数据。增加验证准确性的最简单方法之一是添加更多数据。如果您没有很多训练实例，这将特别有用。

如果您正在处理图像识别模型，您可以考虑通过使用数据增强来增加可用数据集的多样性。这些技术包括从将图像翻转到轴上、添加噪声到放大图像。如果您是一个强大的机器学习工程师，您还可以尝试使用GANs进行数据扩充。

请注意，您使用的增强技术会更改图像的整个类。例如，在y轴上翻转的图像没有意义!

添加更多的层

向模型中添加更多层可以增强它更深入地学习数据集特性的能力，因此它将能够识别出作为人类可能没有注意到的细微差异。

这个技巧图解决的任务的性质。

对于复杂的任务，比如区分猫和狗的品种，添加更多的层次是有意义的，因为您的模型将能够学习区分狮子狗和西施犬的微妙特征。

对于简单的任务，比如对猫和狗进行分类，一个只有很少层的简单模型就可以了。

更多的层->更微妙的模型

更改图像大小

当您对图像进行预处理以进行训练和评估时，需要做很多关于图像大小的实验。

如果您选择的图像尺寸太小，您的模型将无法识别有助于图像识别的显著特征。

                                   

 相反，如果您的图像太大，则会增加计算机所需的计算资源，并且/或者您的模型可能不够复杂，无法处理它们。

常见的图像大小包括64x64、128x128、28x28 (MNIST)和224x224 (vgg -16)。

请记住，大多数预处理算法不考虑图像的高宽比，因此较小尺寸的图像可能会在某个轴上收缩。

从一个大分辨率的图像到一个小尺寸的图像，比如28x28，通常会导致大量的像素化，这往往会对你的模型的性能产生负面影响

增加训练轮次

epoch基本上就是你将整个数据集通过神经网络传递的次数。以+25、+100的间隔逐步训练您的模型。

只有当您的数据集中有很多数据时，才有必要增加epoch。然而，你的模型最终将到达一个点，即增加的epoch将不能提高精度。

此时，您应该考虑调整模型的学习速度。这个小超参数决定了你的模型是达到全局最小值(神经网络的最终目标)还是陷入局部最小值。

全局最小是神经网络的最终目标。

减少颜色通道

颜色通道反映图像数组的维数。大多数彩色(RGB)图像由三个彩色通道组成，而灰度图像只有一个通道。

颜色通道越复杂，数据集就越复杂，训练模型所需的时间也就越长。

如果颜色在你的模型中不是那么重要的因素，你可以继续将你的彩色图像转换为灰度。

你甚至可以考虑其他颜色空间，比如HSV和Lab。

RGB图像由三种颜色通道组成:红、绿、蓝。

                                   

转移学习

迁移学习包括使用预先训练过的模型，如YOLO和ResNet，作为大多数计算机视觉和自然语言处理任务的起点。

预训练的模型是最先进的深度学习模型，它们在数百万个样本上接受训练，通常需要数月时间。这些模型在检测不同图像的细微差别方面有着惊人的巨大能力。

这些模型可以用作您的模型的基础。大多数模型都很好，所以您不需要添加卷积和池化。

迁移学习可以大大提高你的模型的准确性~50%到90%!

超参数

上面的技巧为你提供了一个优化模型的基础。要真正地调整模型，您需要考虑调整模型中涉及的各种超参数和函数，如学习率(如上所述)、激活函数、损失函数、甚至批大小等都是非常重要的需要调整的参数。

                                   

总结

这些技巧是希望大家在不知道如何去做的时候可以快速的找到提高的思路。

还有无数其他方法可以进一步优化你的深度学习，但是上面描述的这些方法只是深度学习优化部分的基础。

图像处理

参考技术A 需要用到图像处理软件。
BMP、PCX、GIF、TIF和JPG格式的文件是位图文件，文件的扩展名指明了图像文件的标准。每种位图文件都按照不同的标准存储图像信息，这些标准是为某些特定的目的制定的。GIF标准设计，用来把尽可能多的图像信息压缩到尽可能小的空间中。
位图文件有两种存储像素数据的格式。16777216色（真彩色）的图像，一个像素的颜色可以用24位数据表示。然而，256色的图像可以用调色板对颜色的信息进行编码，一个像素的值对应的是调色板的索引，而不是直接对应一个像素的颜色，调色板的索引映射为像素的颜色。这样通过减少描述像素的字节数可以大大减少文件的长度。
大部分位图文件格式是按行格式来存储像素值的。如果一幅图像的尺寸是100*100，并且像素是八位值描述的，那么文件中图形数据的第一个100字节存储图像的第一行的像素值，第二个100字节存储图像的第二行，以此类推。有的位图格式的行排列顺序则恰恰相反，BMP文件是先存储图像的最下面一行，然后依次向上存储。
每种位图文件格式的图形数据和非图形数据的结构是不同的。以一百万个像素，256种颜色的BMP文件在电脑上的存储为例。这个文件包括一个十四字节的文件首部，一个四十字节的信息首部，一个1024字节的颜色表，一兆字节的位图数据。文件首部的前两个字节由字符BM组成，还包括了文件长度和位图数据在文件中的起始位置。文件的信息首部包含了图像的高、宽、颜色数等非图形数据。这个图像共有一百万个像素，一个像素需要八位的颜色信息，文件的这一部分的长度是一百万个字节，字节排放的顺序是自左到右从图像的最下面那行开始，这个文件的总大小是1001078字节。
最大颜色数不同的BMP文件的格式将有细微的差异。

论图像识别的预处理技术

图像识别中，图像质量的好坏直接影响识别算法的设计与效果精度，那么除了能在算法上的优化外，预处理技术在整个项目中占有很重要的因素，然而人们往往忽略这一点。

图像预处理，将每一个文字图像分检出来交给识别模块识别，这一过程称为图像预处理。

图像预处理的主要目的是消除图像中无关的信息恢复有用的真实信息增强有关信息的可检测性和最大限度地简化数据从而改进特征抽取、图像分割、匹配和识别的可靠性。预处理过程一般有数字化、几何变换、归一化、平滑、复原和增强等步骤。

 

数字化

一幅原始照片的灰度值是空间变量（位置的连续值）的连续函数。在M×N点阵上对照片灰度采样并加以量化（归为2b个灰度等级之一），可以得到计算机能够处理的数字图像。为了使数字图像能重建原来的图像,对M、N和b值的大小就有一定的要求。在接收装置的空间和灰度分辨能力范围内,M、N 和b的数值越大,重建图像的质量就越好。当取样周期等于或小于原始图像中最小细节周期的一半时，重建图像的频谱等于原始图像的频谱，因此重建图像与原始图像可以完全相同。由于M、N 和b三者的乘积决定一幅图像在计算机中的存储量，因此在存储量一定的条件下需要根据图像的不同性质选择合适的M、N 和b值，以获取最好的处理效果。

几何变换

用于改正图像采集系统的系统误差和仪器位置的随机误差所进行的变换。对于卫星图像的系统误差，如地球自转、扫描镜速度和地图投影等因素所造成的畸变,可以用模型表示,并通过几何变换来消除。随机误差如飞行器姿态和高度变化引起的误差，难以用模型表示出来，所以一般是在系统误差被纠正后，通过把被观测的图和已知正确几何位置的图相比较，用图中一定数量的地面控制点解双变量多项式函数组而达到变换的目的。

归一化

使图像的某些特征在给定变换下具有不变性质的一种图像标准形式。图像的某些性质，例如物体的面积和周长，本来对于坐标旋转来说就具有不变的性质。在一般情况下，某些因素或变换对图像一些性质的影响可通过归一化处理得到消除或减弱，从而可以被选作测量图像的依据。例如对于光照不可控的遥感图片，灰度直方图的归一化对于图像分析是十分必要的。灰度归一化、几何归一化和变换归一化是获取图像不变性质的三种归一化方法。

平滑

消除图像中随机噪声的技术。对平滑技术的基本要求是在消去噪声的同时不使图像轮廓或线条变得模糊不清。常用的平滑方法有中值法、局部求平均法和k 近邻平均法。局部区域大小可以是固定的，也可以是逐点随灰度值大小变化的。此外，有时应用空间频率域带通滤波方法。

复原

校正各种原因所造成的图像退化，使重建或估计得到的图像尽可能逼近于理想无退化的像场。在实际应用中常常发生图像退化现象。例如大气流的扰动，光学系统的像差，相机和物体的相对运动都会使遥感图像发生退化。基本的复原技术是把获取的退化图像g(x，y)看成是退化函数h(x，y)和理想图像f(x，y)的卷积。它们的傅里叶变换存在关系 G(u，v=H(u，v)F(u，v)。根据退化机理确定退化函数后，就可从此关系式求出F(u，v)，再用傅里叶反变换求出f(x，y)。通常把

称为反向滤波器。实际应用时，由于H(u，v)随离开uv平面原点的距离增加而迅速下降，为了避免高频范围内噪声的强化，当u2+v2大于某一界限值W娿时，使M(u，v)等于1。W0的选择应使H(u，v)在 u2+v2≤W娿范围内不会出现零点。图像复原的代数方法是以最小二乘法最佳准则为基础。寻求一估值弮,使优度准则函数值最小。这种方法比较简单，可推导出最小二乘法维纳滤波器。当不存在噪声时，维纳滤波器成为理想的反向滤波器。

增强

对图像中的信息有选择地加强和抑制，以改善图像的视觉效果，或将图像转变为更适合于机器处理的形式，以便于数据抽取或识别。例如一个图像增强系统可以通过高通滤波器来突出图像的轮廓线，从而使机器能够测量轮廓线的形状和周长。图像增强技术有多种方法，反差展宽、对数变换、密度分层和直方图均衡等都可用于改变图像灰调和突出细节。实际应用时往往要用不同的方法，反复进行试验才能达到满意的效果。