你曾想过如何将图像存储在数据集中吗？( 二 ) 全文共2852字

· 可以在我的GitHub链接上查找此部分的代码和图像文件：
3.提取图像边缘
本部分将讨论如何提取图像边缘。另外，将看到两种类型的滤波器，即Sobel和Prewitt 。在进入示例之前，先要了解为什么边缘很重要。因为到要做的事情是从一堆图像中对物体是人、汽车还是动物进行分类，我们可以很容易地根据尺寸和形状对它们进行分类。
文章插图
图源：AnalyticsVidhya
现在，稍微调整一下示例。调整后仍可以对它们进行一些分类。
文章插图
图源：AnalyticsVidhya
调整前后之间的主要区别在于——调整后删除了颜色、背景和其他小细节。仅凭边缘仍然能够识别图像中的对象。因此，对于任何给定的图像，即使只能提取边缘、消除噪点，仍能够对图中对象进行分类。
文章插图
图源：AnalyticsVidhya
可以清楚地观察到，在以上示例中，边缘周围的像素值显示了从左到右或从上到下的突然变化。基于此事实，我们可以识别出哪个像素代表边缘或哪个像素位于边缘。将像素值与其周围的像素值进行比较，以确定它是否代表边缘。例如：
文章插图
图源：AnalyticsVidhya
可以使用矩阵执行对应元素相乘，以确定特定像素是否为边缘。
文章插图
图源：AnalyticsVidhya
在上面的示例中，像素值略小于矩阵对应元素相乘的结果，因此可以说它位于边缘上，但不能表示边缘。
文章插图
图源：AnalyticsVidhya
在上面的示例中，由于在应用矩阵后像素值变得非常大，可以明确地说这个高亮的像素值代表边缘。
现在以上示例中看到的此矩阵称为滤波器（filter）或核（kernel）。该核或滤波器会遍历处理整个图像以生成新的矩阵。该新矩阵称为特征图，该特征图能够表示像素是否位于边缘上。
核类型
文章插图
图源：AnalyticsVidhya
Sobel和Prewitt滤波器之间的主要区别在于， Sobel滤波器给予目标像素旁边的像素值更高的权重，而Prewitt则不然。
· 可以在我的GitHub链接上查找此部分的代码和图像文件：
本文介绍了图像的各种格式，例如RGB、RGBA、MRI和灰度图像，对它们的尺寸进行了简短的讨论，描述了如何进行图像的格式转换，并介绍了一个新的库nibabel ，以处理MRI和CT扫描类型的图像。最后研究了各种类型的核，即Prewitt＆Sobel ，帮助提取对象的边缘特征并减少背景噪声，从而降低计算复杂度。
文章插图
留言点赞关注
我们一起分享AI学习与发展的干货
如转载，请后台留言，遵守转载规范