机器学习图像：如何预处理数据

Question

几年前，我对非常简单的监督机器学习和分类进行了研究，现在我想回到一个真实的用例。

我想将它应用于纹理分类。例如，给出带有不同壁纸的墙壁的标记图片，我希望它能够学习分类它是什么样的壁纸。

我知道，一般来说，图像被分成小块，形成一个“视觉词汇”，然后我们可以训练算法。

但是我坚持第一步：在应用学习算法之前，我是如何准备图像的？例如，我知道大多数时候学习是在二进制图像上完成的，但在我看来，颜色可能是一个类的特征。但是，对于通过其图案识别的壁纸，或者可能是其粒状纹理，二值化可能是有用的......在这种情况下，我不知道是否存在应用于图像的通用操作以使这些特征更加明显。如果是这种情况，我应该为每个样本创建几个图像吗？

总而言之，我想知道在创建特征向量之前用于准备图像的常用方法是什么，特别是因为我正在处理可能使过程更复杂的RGB数据。任何建议将不胜感激

Answer 1

对于每个班级，您剪切小补丁，您可以保留颜色信息。大多数DNN库都支持多通道图像。然后，您可以简单地将每个像素值除以255（如果您的图像是8位）并减去0.5，就像每个补丁居中（平均为0），并且标准偏差低于0.5。

但要小心，你的输出层每个类需要一个神经元，这会让你的DNN非常大。