删除|图像数据的特征工程自动驾驶汽车|Python

文章图片

文章图片

文章图片

文章图片

文章图片

文章图片

总结了常用的图像特征工程，裁剪，灰度化， RGB通道选择，强度阈值，边缘检测和颜色过滤器
一提到特征工程，我们立即想到是表格数据。但是我们也可以得到图像数据的特征，提取图像中最重要的方面。这样做可以更容易地找到数据和目标变量之间的映射。
这样可以使用更少的数据和训练更小的模型。更小的模型可以减少预测所需的时间。这在部署到边缘设备时特别有用。另一个好处是，可以更确定模型使用什么来进行这些预测。

本文将介绍使用Python进行图像特征工程的一些方法:

Cropping
Grayscalling
Selecting RGB channels
Intensity thresholds
Edge detection
Colour filters (给定的颜色范围内提取像素)

我们将在自动驾驶汽车上进行演示。如下图所示，轨道的图像训练一个模型。然后该模型将被用来做出预测，指导汽车行驶。本文的最后我们将讨论图像数据特征工程的局限性。

特性工程与增强在深入研究之前，有必要讨论一下图像增强。该方法的目标与特征工程相似。但是它以不同的方式实现。
什么是数据增强?
数据增强是指我们使用代码系统地或随机地改变数据。对于图像，这包括翻转、调整颜色和添加随机噪声等方法。这些方法允许我们人为地引入噪声并增加数据集的大小。
在生产中，模型需要在不同的条件下执行。这些条件是由照明、相机的角度、房间的颜色或背景中的物体等变量决定的。
数据增强的目标是创建一个对这些条件的变化具有鲁棒性的模型。它通过添加模拟现实世界条件的噪声来实现这一点。例如，改变图像的亮度类似于在一天的不同时间收集数据。
通过增加数据集的大小，增强还允许我们训练更复杂的架构。或者说它有助于模型参数收敛。
图像数据特征工程
【删除|图像数据的特征工程】特征工程的目标是与增强是相似的，也就是想要创建一个更健壮的模型。但是不同的是，它删除了任何对准确预测没有必要的噪音。也就是去掉了在不同条件下会发生变化的变量（这正好与增强相反）。
通过提取图像中最重要的部分简化了问题。这允许使用更简单的模型架构。我们可以使用更小的数据集来找到输入和目标之间的映射。
另外一个重要的区别是如何在生产中处理这些方法。你的模型不会对增强图像做出预测。但是使用特征工程，模型将需要在它训练的相同特征上做出预测。这意味着必须能够在生产环境中进行相同的特性工程。
使用Python进行图像特征工程下面我们开始进入正题，让我们开始进行特性工程的操作。