|
随着AlphaGo等智能系统的大获成功，人工智能成为了全社会关注的热词。以深度学习为代表的人工智能技术，在许多领域都取得了超过人类的能力。图像处理，是深度学习应用的主战场之一。以图像处理技术为基础，刷脸进站、智慧门禁、美颜等眼花缭乱的应用走入了大众的生活。今天，易学智能不讨论深度学习算法，而是谈谈深度学习的支撑技术，给大家介绍深度学习最常用的几类OpenCV操作。俗话说，一个好汉三个帮。深度学习的强项是对图像特征的理解，犹如人的大脑。然而，人不能只有大脑，还得有四肢。在图像处理上，深度学习最重要的帮手之一就是OpenCV。OpenCV是应用极其广泛的开源图像处理包，提供了方方面面的图像处理能力。 目标检测是深度学习取得突破性进展的领域之一。目标检测的基本含义是，对一张图片，找出所有感兴趣的目标。目标检测是应用非常广泛的计算机视觉技术。比如，对火车站、机场等的管理，我们很关心它的人流量。这时，就需要统计这些地方每个时刻有多少人。为此，就需要进行以人为对象的目标检测。 目标检测的研究已有几十年的历史，但发展一直缓慢，直到深度学习出现，它的性能才取得跃升。目前，常见图中的人物检测，准确度已达到99%以上，基本具备了实用性。 在目标检测完成后，如何给用户展示结果？图X是最常见的两种形式。要实现这两种效果，我们需要：(1) 将目标对应的子图，切割出来单独提供；或 (2)给每个目标绘制边界框，并且标明每个对象的类别。这些功能，借助OpenCV，可以很轻松地完成。在进入具体函数的讲解之前，我们补充一点图像表示的知识。
1.图像表示
图像的表示方法有很多，但是一般常用的就是三原色叠加的方式，也就是常说的RGB，每个图像文件的存储格式有很多，比如PNG，JPG，GIF等，但是实质上存储的是图像每一个像素点RGB的值，如图0-1所示，图中十字形标识位置对应的RGB值分别为63,127和111。 图像读入OpenCV中后，表示成一个高度×长度×3的一个numpy的数组，如图1-1所示。 图1-1 Tips： （1）数据顺序。图像是按照高度、宽度和通道数的顺序进行存储，即HWC的顺序，在Tensorflow中要求数据按照CHW的顺序输入，因此需要进行一个变换。 （2）坐标变换。与平面坐标系进行对应，每一个通道是按照y，x的顺序进行存储，在进行目标检测等任务中得到的往往是x和y的坐标，在进行图像分割时，需要注意顺序。具体的原因可能是与数据存储往往习惯逐行存储有关。 2. 图像切割
图像切割就是从原始图像中获得感兴趣的子图。除了用于展示，切割还有很多的用处。比如人脸识别，第一步是人脸检测，然后根据检测将脸从原始图像中切分出来进行识别，从而减少无关信息对主要目标的影响。切分操作的代码，及效果如图2-1所示：
Tips： （1）一般人脸检测的结果表示为det所示的形式，由于一张图像中可能有多张人脸，因此，往往使用list来进行存储，每个元素表示一个可能人脸的位置，一般按照x_min，y_min，x_max，y_max的顺序进行排列，同时加上一个置信度，表示该结果的可能性。 （2）检测的结果中可能有一定的错误，因此需要进行位置的限定，保证结果在一个合理的范围。如果不进行限定，可能出现如图2-2所示的结果，切分出来的图像变成了一个长条，原因是由于在python中负值表示从后往前索引。而且这种错误往往导致程序能够真正运行，但是最终的结果出现错误。 （3）最后进行图像切分时，切记按照先y索引值，后x索引值的方式进行，否则可能产生越界错误，更严重的是程序能够正常运行，但是结果与预期不一致。 3. 图像加标注
图像加标注分为两个主要任务：加框与加文字标注。它们可用以下两个函数来完成： （1）画边界框：cv2.rectangle(img,(x_min,y_min), (x_max,y_max), (B,G,R), Thickness) ,参数的意义分别如下： img：目标图像 (x_min, y_min)：框的左上角坐标 (x_max, y_max)：框的右下角坐标 (B, G, R)：框的颜色 Thickness：框线的宽度 （2）标注标签：cv2.putText(img,text, (x,y), Font, Size, (B,G,R), Thickness)，参数的意义分别如下： img：目标图像 text：待标注的文本 (x, y)：文本的起始位置 Font：文本的字体 Size：文本的大小 (B, G, R)：文字的颜色 Thickness：文字线条的精细 标注的示例代码与效果，如图3-1所示 ：
Tips： 1、框的越界问题。目前的检测方法，一般计算出来的是边界框的中心点位置以及高度和宽度，但是这些数据是有一定误差的，在转化为框的坐标时，需要判断结果是否在图像范围内，最小值是（0,0），而最大值是（宽度-1, 高度-1）！！！ 2、原始图像变化的问题。对于这两个函数，不管是参数还是返回值，实际上都是同一个数据的引用，因此，对于数据的操作会"破坏"原始数据，如果该结果是最终展示结果，可以不考虑该问题，如果仅仅是中间结果，则可以借助copy模块来产生原始数据的副本进行处理，效果如图3-2所示。
4. 写在最后
人工智能在各行各业的应用大放异彩，从业者的薪资也不断高涨。越来越多的人，有意学习人工智能技术并从事人工智能的工作。无论你从事哪个行业、做什么工作，你都要了解一些人工智能技术。说不定，哪天人工智能的滚滚浪潮，就将你现在的行业颠覆了。 今天，我们给大家介绍的是深度学习最常用的OpenCV操作。这些操作，并不涉及深度学习算法。但是，对一个系统而言，算法只是一个部件。我们要用好深度学习技术，就不能只做算法，也要熟练掌握这些支撑技术，方能达到事半功倍的效果。
| 
发表于 2018-9-13 10:52:20
