删除|图像数据的特征工程( 二 ) 自动驾驶汽车|Python

我们有一些标准包(第2-3行) 。 Glob用于处理文件路径(第5行) 。我们也有一些包用于处理图像(第7-8行) 。
import numpy as np
import matplotlib.pyplot as plt

import glob

from PIL import Image
import cv2
我们这里将使用用于为自动驾驶汽车提供方向路径的图像。你可以在Kaggle上找到这些例子。用下面的代码加载其中一个图像。首先加载所有图像的文件路径(第2-3行) 。然后加载(第8行)并在第一个路径上显示图像(第9行) 。可以在图1中看到这个图像。
#Load image paths
read_path = \"../../data/direction/\"
img_paths = glob.glob(read_path + \"*.jpg\")

fig = plt.figure(figsize=(1010))

#Display image
img = Image.open(img_paths[0
)
plt.imshow(img)

Cropping
裁剪图像以去除不需要的外部区域，目的是只删除图像中不需要进行预测的部分。对于自动驾驶汽车可以从背景中移除像素。
加载一张图像(第2行) 。然后将这张图像转换为一个数组(第5行) 。这个数组的尺寸为224 x 224 x 3 。图像的高度和宽度为224像素，每个像素都有一个R G B通道。为了裁剪图像，我们只选择y轴上位置25以上的像素(第8行) 。结果如图2所示。
#Load image
img = Image.open(img_paths[609
)

#Covert to array
img = np.array(img)

#Simple crop
crop_img = img[25:

如果需要保持纵横比。可以通过将不需要的像素变为黑色(第3行代码)来实现类似的结果。

通过裁剪，我们删除了不必要的像素，这样可以避免模型对训练数据的过度拟合。例如，背景中的椅子可能出现在所有左转处。该模型有可能将这些与左转预测联系起来。
上面的图片，还可以进一步处理，比如可以在不删除任何轨道的情况下裁剪图像的左侧。但是在下图中我们要删除重要的轨道部分。
crop_img = np.array(img)
crop_img[:25
= [000

crop_img[::40
= [000

为什么这样做呢？这又回到了特性工程需要在生产环境中进行的问题上。你不知道什么图像将在什么时间显示给模型。这意味着需要对所有图像应用相同的裁剪功能，需要确保它永远不会删除图像的重要部分，但这是不可能的，所以我们才需要模拟这样的情况。
Grayscale
gray_img = cv2.cvtColor(imgcv2.COLOR_RGB2GRAY)

灰度化是通过捕捉图像中的颜色强度来实现的。它通过取RGB通道的加权平均值来实现这一点。我们使用这个公式:
Y = 0.299* r + 0.587* g + 0.114* b
如果我们使用所有的RGB通道，它将由150528个值(224*224*3)组成。对于灰度图像，我们现在只有50176个值(224*224) 。更简单的输入意味着需要更少的数据和更简单的模型。
RGB channels
RGB通道中，一个通道可能更重要。我们可以不进行灰度化，而是直接只使用该通道。例如下面，我们选择R(第6行)、G(第7行)和B(第8行)通道。每个生成的数组的尺寸都是224 x 224 。您可以在图6中看到相应的图像。
#Load image
img = Image.open(img_paths[700
)
img = np.array(img)

#Get rgb channels
r_img = img[: : 0

g_img = img[: : 1

b_img = img[: : 2

这里还可以使用channel_filter函数。通道参数(c)的值为0、1或2 ，这取决于你想要哪个通道。但是有一点，不同的python包将以不同的顺序加载通道。这里我们使用的PIL是RGB 。如果使用cv2.imread()加载图像，通道将按BGR顺序排序。
def channel_filter(imgc=0):
\"\"\"Returns given channel from image pixels\"\"\"
img = np.array(img)
c_img = img[: : c

return c_img