圖像識別如何建立數據集

❶ 怎樣使用OpenCV進行人臉識別

1.1.介紹Introction
從OpenCV2.4開始，加入了新的類FaceRecognizer，我們可以使用它便捷地進行人臉識別實驗。本文既介紹代碼使用，又介紹演算法原理。(他寫的源代碼，我們可以在OpenCV的opencv\moles\contrib\doc\facerec\src下找到，當然也可以在他的github中找到，如果你想研究源碼，自然可以去看看，不復雜)

目前支持的演算法有
Eigenfaces特徵臉createEigenFaceRecognizer()
Fisherfaces createFisherFaceRecognizer()
LocalBinary Patterns Histograms局部二值直方圖 createLBPHFaceRecognizer()
下面所有的例子中的代碼在OpenCV安裝目錄下的samples/cpp下面都能找到，所有的代碼商用或者學習都是免費的。

1.2.人臉識別Face Recognition
對人類來說，人臉識別很容易。文獻[Tu06]告訴我們，僅僅是才三天的嬰兒已經可以區分周圍熟悉的人臉了。那麼對於計算機來說，到底有多難？其實，迄今為止，我們對於人類自己為何可以區分不同的人所知甚少。是人臉內部特徵(眼睛、鼻子、嘴巴)還是外部特徵(頭型、發際線)對於人類識別更有效?我們怎麼分析一張圖像，大腦是如何對它編碼的？David Hubel和TorstenWiesel向我們展示，我們的大腦針對不同的場景，如線、邊、角或者運動這些局部特徵有專門的神經細胞作出反應。顯然我們沒有把世界看成零散的塊塊，我們的視覺皮層必須以某種方式把不同的信息來源轉化成有用的模式。自動人臉識別就是如何從一幅圖像中提取有意義的特徵，把它們放入一種有用的表示方式，然後對他們進行一些分類。基於幾何特徵的人臉的人臉識別可能是最直觀的方法來識別人臉。第一個自動人臉識別系統在[Kanade73]中又描述：標記點(眼睛、耳朵、鼻子等的位置)用來構造一個特徵向量(點與點之間的距離、角度等)。通過計算測試和訓練圖像的特徵向量的歐氏距離來進行識別。這樣的方法對於光照變化很穩健，但也有巨大的缺點：標記點的確定是很復雜的，即使是使用最先進的演算法。一些幾何特徵人臉識別近期工作在文獻[Bru92]中有描述。一個22維的特徵向量被用在一個大資料庫上，單靠幾何特徵不能提供足夠的信息用於人臉識別。

特徵臉方法在文獻[TP91]中有描述，他描述了一個全面的方法來識別人臉：面部圖像是一個點，這個點是從高維圖像空間找到它在低維空間的表示，這樣分類變得很簡單。低維子空間低維是使用主元分析(Principal Component Analysis,PCA)找到的，它可以找擁有最大方差的那個軸。雖然這樣的轉換是從最佳重建角度考慮的，但是他沒有把標簽問題考慮進去。[gm:讀懂這段需要一些機器學習知識]。想像一個情況，如果變化是基於外部來源，比如光照。軸的最大方差不一定包含任何有鑒別性的信息，因此此時的分類是不可能的。因此，一個使用線性鑒別(Linear Discriminant Analysis,LDA)的特定類投影方法被提出來解決人臉識別問題[BHK97]。其中一個基本的想法就是，使類內方差最小的同時，使類外方差最大。
近年來，各種局部特徵提取方法出現。為了避免輸入的圖像的高維數據，僅僅使用的局部特徵描述圖像的方法被提出，提取的特徵(很有希望的)對於局部遮擋、光照變化、小樣本等情況更強健。有關局部特徵提取的方法有蓋伯小波(Gabor Waelets)([Wiskott97])，離散傅立葉變換(DiscreteCosinus Transform,DCT)([Messer06])，局部二值模式(LocalBinary Patterns,LBP)([AHP04])。使用什麼方法來提取時域空間的局部特徵依舊是一個開放性的研究問題，因為空間信息是潛在有用的信息。
1.3.人臉庫Face Database
我們先獲取一些數據來進行實驗吧。我不想在這里做一個幼稚的例子。我們在研究人臉識別，所以我們需要一個真的人臉圖像！你可以自己創建自己的數據集，也可以從這里(http://face-rec.org/databases/)下載一個。
AT&TFacedatabase又稱ORL人臉資料庫，40個人，每人10張照片。照片在不同時間、不同光照、不同表情(睜眼閉眼、笑或者不笑)、不同人臉細節(戴眼鏡或者不戴眼鏡)下採集。所有的圖像都在一個黑暗均勻的背景下採集的，正面豎直人臉(有些有有輕微旋轉)。

YaleFacedatabase A ORL資料庫對於初始化測試比較適合，但它是一個簡單的資料庫，特徵臉已經可以達到97%的識別率，所以你使用其他方法很難得到更好的提升。Yale人臉資料庫是一個對於初始實驗更好的資料庫，因為識別問題更復雜。這個資料庫包括15個人(14個男人,1個女人)，每一個都有11個灰度圖像，大小是320*243像素。資料庫中有光照變化(中心光照、左側光照、右側光照)、表情變化(開心、正常、悲傷、瞌睡、驚訝、眨眼)、眼鏡(戴眼鏡或者沒戴)。
壞消息是它不可以公開下載，可能因為原來的伺服器壞了。但我們可以找到一些鏡像(比如 theMIT)但我不能保證它的完整性。如果你需要自己剪裁和校準圖像，可以閱讀我的筆記(bytefish.de/blog/fisherfaces)。

ExtendedYale Facedatabase B 此資料庫包含38個人的2414張圖片，並且是剪裁好的。這個資料庫重點是測試特徵提取是否對光照變化強健，因為圖像的表情、遮擋等都沒變化。我認為這個資料庫太大，不適合這篇文章的實驗，我建議使用ORL資料庫。
1.3.1. 准備數據
我們從網上下了數據，下了我們需要在程序中讀取它，我決定使用CSV文件讀取它。一個CSV文件包含文件名，緊跟一個標簽。
/path/to/image.ext;0
假設/path/to/image.ext是圖像，就像你在windows下的c:/faces/person0/image0.jpg。最後我們給它一個標簽0。這個標簽類似代表這個人的名字，所以同一個人的照片的標簽都一樣。我們對下載的ORL資料庫進行標識，可以獲取到如下結果：
./at/s1/1.pgm;0
./at/s1/2.pgm;0
...
./at/s2/1.pgm;1
./at/s2/2.pgm;1
...
./at/s40/1.pgm;39
./at/s40/2.pgm;39

想像我已經把圖像解壓縮在D:/data/at下面，而CSV文件在D:/data/at.txt。下面你根據自己的情況修改替換即可。一旦你成功建立CSV文件，就可以像這樣運行示常式序：
facerec_demo.exe D:/data/at.txt

1.3.2 Creating the CSV File
你不需要手工來創建一個CSV文件，我已經寫了一個Python程序來做這事。
[gm:說一個我實現的方法
如果你會cmd命令，或者稱DOS命令，那麼你打開命令控制台。假設我們的圖片放在J:下的Faces文件夾下，可以輸入如下語句：
J:\Faces\ORL>dir /b/s *.bmp > at.txt

然後你打開at.txt文件可能看到如下內容(後面的0，1..標簽是自己加的)：
。。。。
J:\Faces\ORL\s1\1.bmp;0
J:\Faces\ORL\s1\10.bmp;0
J:\Faces\ORL\s1\2.bmp;0
J:\Faces\ORL\s1\3.bmp;0
J:\Faces\ORL\s1\4.bmp;0
J:\Faces\ORL\s1\5.bmp;0
J:\Faces\ORL\s1\6.bmp;0
J:\Faces\ORL\s1\7.bmp;0
J:\Faces\ORL\s1\8.bmp;0
J:\Faces\ORL\s1\9.bmp;0
J:\Faces\ORL\s10\1.bmp;1
J:\Faces\ORL\s10\10.bmp;1
J:\Faces\ORL\s10\2.bmp;1
J:\Faces\ORL\s10\3.bmp;1
J:\Faces\ORL\s10\4.bmp;1
J:\Faces\ORL\s10\5.bmp;1
J:\Faces\ORL\s10\6.bmp;1
。。。。

自然還有c++編程等方法可以做得更好，看這篇文章反響，如果很多人需要，我就把這部分的代碼寫出來。(遍歷多個文件夾，標上標簽)
]
特徵臉Eigenfaces
我們講過，圖像表示的問題是他的高維問題。二維灰度圖像p*q大小，是一個m=qp維的向量空間，所以一個100*100像素大小的圖像就是10，000維的圖像空間。問題是，是不是所有的維數空間對我們來說都有用？我們可以做一個決定，如果數據有任何差異，我們可以通過尋找主元來知道主要信息。主成分分析(Principal Component Analysis,PCA)是KarlPearson (1901)獨立發表的，而 Harold Hotelling (1933)把一些可能相關的變數轉換成一個更小的不相關的子集。想法是，一個高維數據集經常被相關變數表示，因此只有一些的維上數據才是有意義的，包含最多的信息。PCA方法尋找數據中擁有最大方差的方向，被稱為主成分。
演算法描述Algorithmic Description
令 表示一個隨機特徵，其中 .
計算均值向量

計算協方差矩陣 S

計算 的特徵值 和對應的特徵向量

對特徵值進行遞減排序，特徵向量和它順序一致. K個主成分也就是k個最大的特徵值對應的特徵向量。
x的K個主成份:

其中 .
PCA基的重構:

其中 .
然後特徵臉通過下面的方式進行人臉識別：
A． 把所有的訓練數據投影到PCA子空間
B． 把待識別圖像投影到PCA子空間
C． 找到訓練數據投影後的向量和待識別圖像投影後的向量最近的那個。
還有一個問題有待解決。比如我們有400張圖片，每張100*100像素大小，那麼PCA需要解決協方差矩陣 的求解，而X的大小是10000*400，那麼我們會得到10000*10000大小的矩陣，這需要大概0.8GB的內存。解決這個問題不容易，所以我們需要另一個計策。就是轉置一下再求，特徵向量不變化。文獻 [Duda01]中有描述。
[gm:這個PCA還是自己搜著看吧，這里的講的不清楚，不適合初學者看]

OpenCV中使用特徵臉Eigenfaces in OpenCV
給出示常式序源代碼
#include "opencv2/core/core.hpp"
#include "opencv2/contrib/contrib.hpp"
#include "opencv2/highgui/highgui.hpp"

#include <iostream>
#include <fstream>
#include <sstream>

usingnamespace cv;
usingnamespace std;

static Mat norm_0_255(InputArray _src) {
Mat src = _src.getMat();
// 創建和返回一個歸一化後的圖像矩陣:
Mat dst;
switch(src.channels()) {
case1:
cv::normalize(_src, dst, 0,255, NORM_MINMAX, CV_8UC1);
break;
case3:
cv::normalize(_src, dst, 0,255, NORM_MINMAX, CV_8UC3);
break;
default:
src.To(dst);
break;
}
return dst;
}
//使用CSV文件去讀圖像和標簽，主要使用stringstream和getline方法
staticvoid read_csv(const string& filename, vector<Mat>& images, vector<int>& labels, char separator =';') {
std::ifstream file(filename.c_str(), ifstream::in);
if (!file) {
string error_message ="No valid input file was given, please check the given filename.";
CV_Error(CV_StsBadArg, error_message);
}
string line, path, classlabel;
while (getline(file, line)) {
stringstream liness(line);
getline(liness, path, separator);
getline(liness, classlabel);
if(!path.empty()&&!classlabel.empty()) {
images.push_back(imread(path, 0));
labels.push_back(atoi(classlabel.c_str()));
}
}
}

int main(int argc, constchar*argv[]) {
// 檢測合法的命令，顯示用法
// 如果沒有參數輸入則退出！.
if (argc <2) {
cout <<"usage: "<< argv[0]<<" <csv.ext> <output_folder> "<< endl;
exit(1);
}
string output_folder;
if (argc ==3) {
output_folder = string(argv[2]);
}
//讀取你的CSV文件路徑.
string fn_csv = string(argv[1]);
// 2個容器來存放圖像數據和對應的標簽
vector<Mat> images;
vector<int> labels;
// 讀取數據. 如果文件不合法就會出錯
// 輸入的文件名已經有了.
try {
read_csv(fn_csv, images, labels);
} catch (cv::Exception& e) {
cerr <<"Error opening file \""<< fn_csv <<"\". Reason: "<< e.msg << endl;
// 文件有問題，我們啥也做不了了，退出了
exit(1);
}
// 如果沒有讀取到足夠圖片，我們也得退出.
if(images.size()<=1) {
string error_message ="This demo needs at least 2 images to work. Please add more images to your data set!";
CV_Error(CV_StsError, error_message);
}
// 得到第一張照片的高度. 在下面對圖像
// 變形到他們原始大小時需要
int height = images[0].rows;
// 下面的幾行代碼僅僅是從你的數據集中移除最後一張圖片
//[gm:自然這里需要根據自己的需要修改，他這里簡化了很多問題]
Mat testSample = images[images.size() -1];
int testLabel = labels[labels.size() -1];
images.pop_back();
labels.pop_back();
// 下面幾行創建了一個特徵臉模型用於人臉識別，
// 通過CSV文件讀取的圖像和標簽訓練它。
// T這里是一個完整的PCA變換
//如果你只想保留10個主成分，使用如下代碼
// cv::createEigenFaceRecognizer(10);
//
// 如果你還希望使用置信度閾值來初始化，使用以下語句：
// cv::createEigenFaceRecognizer(10, 123.0);
//
// 如果你使用所有特徵並且使用一個閾值，使用以下語句：
// cv::createEigenFaceRecognizer(0, 123.0);
//
Ptr<FaceRecognizer> model = createEigenFaceRecognizer();
model->train(images, labels);
// 下面對測試圖像進行預測，predictedLabel是預測標簽結果
int predictedLabel = model->predict(testSample);
//
// 還有一種調用方式，可以獲取結果同時得到閾值:
// int predictedLabel = -1;
// double confidence = 0.0;
// model->predict(testSample, predictedLabel, confidence);
//
string result_message = format("Predicted class = %d / Actual class = %d.", predictedLabel, testLabel);
cout << result_message << endl;
// 這里是如何獲取特徵臉模型的特徵值的例子，使用了getMat方法:
Mat eigenvalues = model->getMat("eigenvalues");
// 同樣可以獲取特徵向量:
Mat W = model->getMat("eigenvectors");
// 得到訓練圖像的均值向量
Mat mean = model->getMat("mean");
// 現實還是保存:
if(argc==2) {
imshow("mean", norm_0_255(mean.reshape(1, images[0].rows)));
} else {
imwrite(format("%s/mean.png", output_folder.c_str()), norm_0_255(mean.reshape(1, images[0].rows)));
}
// 現實還是保存特徵臉:
for (int i =0; i < min(10, W.cols); i++) {
string msg = format("Eigenvalue #%d = %.5f", i, eigenvalues.at<double>(i));
cout << msg << endl;
// 得到第 #i個特徵
Mat ev = W.col(i).clone();
//把它變成原始大小，為了把數據顯示歸一化到0~255.
Mat grayscale = norm_0_255(ev.reshape(1, height));
// 使用偽彩色來顯示結果，為了更好的感受.
Mat cgrayscale;
applyColorMap(grayscale, cgrayscale, COLORMAP_JET);
// 顯示或者保存:
if(argc==2) {
imshow(format("eigenface_%d", i), cgrayscale);
} else {
imwrite(format("%s/eigenface_%d.png", output_folder.c_str(), i), norm_0_255(cgrayscale));
}
}
// 在一些預測過程中，顯示還是保存重建後的圖像:
for(int num_components =10; num_components <300; num_components+=15) {
// 從模型中的特徵向量截取一部分
Mat evs = Mat(W, Range::all(), Range(0, num_components));
Mat projection = subspaceProject(evs, mean, images[0].reshape(1,1));
Mat reconstruction = subspaceReconstruct(evs, mean, projection);
// 歸一化結果，為了顯示:
reconstruction = norm_0_255(reconstruction.reshape(1, images[0].rows));
// 顯示或者保存:
if(argc==2) {
imshow(format("eigenface_reconstruction_%d", num_components), reconstruction);
} else {
imwrite(format("%s/eigenface_reconstruction_%d.png", output_folder.c_str(), num_components), reconstruction);
}
}
// 如果我們不是存放到文件中，就顯示他，這里使用了暫定等待鍵盤輸入:
if(argc==2) {
waitKey(0);
}
return0;
}

我使用了偽彩色圖像，所以你可以看到在特徵臉中灰度值是如何分布的。你可以看到特徵臉不但對人臉特徵進行編碼，還對這些圖像中的光照進行編碼。(看第四張圖像是左側的光照，而第五張是右側的光照)[gm:PCA對光照變化圖像識別效果很差，自然有一些改進方法，有後再談]

❷ 如何建立基於深度學習的目標檢測和分類的專業數據集

但這方面的數據供給非常有限，物理世界中是不同感測器獲取的實時數據流，我們對大腦的工作原理還沒有弄清楚），沒有人能夠准確預測何時何地會發生何種事故，模擬出來的數據與真實數據差距很大，Yann LeCun 表示，這是現有的深度學習很難做到的，Yann LeCun，同時又很難通過之前那些行之有效的方式去增加數據供給，我們還會遇到數據類型不一樣的問題，所以這也是將深度學習現有的成功延伸到真實物理世界應用的一個底層障礙。

Bragi 從歷史的角度分析了深度學習和神經科學的關系，那就無法發揮出深度學習的優勢，Demiurge 專注於開發一種系統方法從源頭解決真實世界諸多領域中數據量嚴重不足的問題——既然很難有效增加數據供給，從深度學習和神經科學沒有太大關系的這一代（深度學習1，如今的神經科學已經是一個非常巨大的寶庫，為何不設法大幅降低對數據的需求，他最不喜歡的對深度學習的定義就是「它像我們的大腦」，生物神經元所擅長的是從多模的實時數據流中提取多維度的時空信息來實現 one-shot learning，一方面研究深度學習的反向傳播演算法在生物神經元上是如何實現的，「現在的深度學習從神經科學中獲得的靈感非常有限，人工神經網路則傾向於避免出現這些。而從 80 年代至今，這從 DARPA 機器人挑戰賽就能看出來、實現小樣本學習甚至 one-shot learning，而非數據流。」

深度神經網路的確從神經科學領域的研究中獲取了一些靈感，像 AlphaGo 那樣。

在今年斯德哥爾摩的全球機器人頂級學術會議 ICRA 上，而現在深度學習在信息世界中的應用；最後，我們很深刻地體會到現在正在發生著的轉型，從法律上來說我們不能靠人為製造事故來採集數據，在規則定義明確的簡單環境下自行創造大量訓練數據的方式。位於深度學習與神經科學交匯的最前沿。」

Bragi 表示，而且是以一種非常高效的方式，以支持成本函數（cost funcion）的蠻力最優化，效果和效率都很出色，「比起深度學習的點神經元，是目前深度學習研究中的關鍵問題，而採集數據又難度很大，也無法模擬數據，比如說圖像識別如何讓深度學習突破數據瓶頸
如果用現有的深度學習去實現這一點，過去 30 年產生的神經科學知識是 80 年代以前的 46 倍。

基於這個原因，對於深度學習來說。所以，另一方面研究生物神經元的 STDP 學習演算法如何提升現有的深度神經網路的學習能力 ，因此無法系統地提前部署以採集真實事故數據.0），因為事故更多涉及實時的感測以及與物理世界的互動。而更重要的是，無法為深度學習提供更多靈感，從神經科學里尋找關鍵線索。然而，Bragi 在 Instry Forum 演講中介紹了 Demiurge 的方法，但其工作原理與人腦截然不同（誠然，神經科學的發展速度遠遠超過了之前，越來越多的深度學習專家開始研究如何從神經科學中獲取更多的線索。首先，而是往往使用簡單和相對統一的初始結構，在復雜的真實環境中難以發揮作用。神經科學專注的點包括計算的細節實現，在機器學習領域；第三？

降低對數據量的需求，還有對神經編碼以及神經迴路的研究，使用的數據都是基於圖片的數據點，為提升現有深度學習的學習能力提供重要線索，而且現在每年神經科學獲得新發現的速度是 80 年代以前的 100 倍。生物神經元不僅能夠做這種特徵提取；其次、 Yoshua Bengio 等深度學習專家也多次在演講中提到解決深度學習中 one-shot learning 問題的重要性。

如果遇到數據量不足的情況，那時之前的神經科學也發展比較慢，「 Yoshua Bengio 做的非常前沿，並非是模擬人類神經元如何工作，谷歌 Jeff Dean 認為深度神經網路是對大腦神經網路的簡單抽象，那就需要大量的事故數據，這是因為深度學習的理論基礎是上世紀 80 年代基本定型的

❸ 水色圖像識別的步驟

**分析方法與過程：**

通過圖像顯示提取水樣特徵，提取反映圖像本質的關鍵指標，以達到自動進行圖像識別或分類的目的。圖像特徵包括顏色特徵，紋理特診，形狀特徵和空間關系特徵等。此處採用顏色特徵進行處理，基於顏色矩的特徵提取。

步驟：

1.採集水樣圖像進行選擇性抽取和實時抽取，形成建模數據和增量數據（即為訓練集與測試集）

2.對上述數據集進行預處理，包括圖像切割和顏色矩特徵提取

3.對已完成數據進行預處理，有專家經驗進行分類，構成專家樣本

4.專家樣本構建分類模型

5.利用模型進行水質評價

數據形式：

❹ 怎樣fine－tuning

我們有自己的圖像識別任務，然而我們的數據集太小，直接進行訓練很容易出現過擬合現象
所以比較好的解決方案是先在一個大數據集中訓練以提取比較准確的淺層特徵，然後 再針對這個訓練過的網路利用我們的數據集進行訓練 ，那麼效果就會好很多。這個過程就是fine－tuning。

大家都注意到了這個情況，所以
（1）FeifeiLi帶頭創建imagenet，這個圖像庫非常巨大，滿足我們預先訓練的各種要求，另外近期Google發布Open Images，包含900w labeled images，媲美Imagenet dataset。
（2）有些網路結構非常經典，比如Alexnet，Googlenet，VGGnet，ResNet等等，如果我們想利用這些網路去做自己的應用，就首先要把它們在大數據集（imagenet等等）中訓練，然後再用自己的數據訓練；顯然前面一步是重復的步驟，並且非常耗時耗力（可能花費數台機器數周時間）。所以針對上述問題各種深度學習庫（caffe、Tensorflow、torch）等等就預先用經典網路訓練在imagenet上訓練，把模型（各個參數）公布網上，我們直接拿來用即可，省去了大量pre－train的時間。這些模型（參數）就是model zoo

1.在imagenet訓練最終輸出是1000個分類，所以網路結構大概是經典網路—全連接層（前面）—最後的全連接層（1000輸出）。
2.如果我們要進行fine－tuning
我們設計自己的網路
（1）經典網路—全連接層（前面）—最後的全連接層（我們的類別輸出）
（2）經典網路—全連接層（all new）
（3）經典網路—卷積池化層（new）－全連接層（all new）
上述三種分別對應網路改動從小到大，對應的學習速率會有所區別。
在改動過程中， 網路名稱相同的參數會直接搬過來，不同的會根據設置初始化
一定注意改動過程中size要匹配！

❺ fcn中圖像語義分割voc數據集的lmdb數據怎樣製作

有兩種方法：
1）可製作兩個lmdb文件，一個Data項是原始圖像，Label可為0，另一個Data項為分割後的專標注圖像，Label為0。使用中屬caffe是支持多個lmdb輸入的。
2）將原始圖像(如3通道)，標注圖像(1通道)，合在一起成4通道，然後寫在一個lmdb中，然後導入後使用Slice層將其切開。這種方法就不能直接使用現有的convert_imageset來轉換了，可參考其實現自己寫一下。

❻ Python如何圖像識別

1. 簡介。

圖像處理是一門應用非常廣的技術，而擁有非常豐富第三方擴展庫的 Python 當然不會錯過這一門盛宴。PIL （Python Imaging Library）是 Python 中最常用的圖像處理庫，目前版本為 1.1.7，我們可以在這里下載學習和查找資料。

Image 類是 PIL 庫中一個非常重要的類，通過這個類來創建實例可以有直接載入圖像文件，讀取處理過的圖像和通過抓取的方法得到的圖像這三種方法。

2. 使用。

導入 Image 模塊。然後通過 Image 類中的 open 方法即可載入一個圖像文件。如果載入文件失敗，則會引起一個 IOError ；若無返回錯誤，則 open 函數返回一個 Image 對象。現在，我們可以通過一些對象屬性來檢查文件內容，即：

1 >>> import Image
2 >>> im = Image.open("j.jpg")
3 >>> print im.format, im.size, im.mode
4 JPEG (440, 330) RGB

這里有三個屬性，我們逐一了解。

format : 識別圖像的源格式，如果該文件不是從文件中讀取的，則被置為 None 值。

size : 返回的一個元組，有兩個元素，其值為象素意義上的寬和高。

mode : RGB（true color image），此外還有，L（luminance），CMTK（pre-press image）。

現在，我們可以使用一些在 Image 類中定義的方法來操作已讀取的圖像實例。比如，顯示最新載入的圖像：

1 >>>im.show()
2 >>>

輸出原圖：

3. 函數概貌。

3.1 Reading and Writing Images : open( infilename ) , save( outfilename )

3.2 Cutting and Pasting and Merging Images :

crop() : 從圖像中提取出某個矩形大小的圖像。它接收一個四元素的元組作為參數，各元素為（left, upper, right, lower），坐標系統的原點（0, 0）是左上角。

paste() :

merge() :

3.5 更多關於圖像文件的讀取。

最基本的方式：im = Image.open("filename")

類文件讀取：fp = open("filename", "rb"); im = Image.open(fp)

字元串數據讀取：import StringIO; im = Image.open(StringIO.StringIO(buffer))

從歸檔文件讀取：import TarIO; fp = TarIo.TarIO("Image.tar", "Image/test/lena.ppm"); im = Image.open(fp)

基本的 PIL 目前就練習到這里。其他函數的功能可點擊這里進一步閱讀。

❼ 圖像數據集構建的意義

數據採集和數據處理。
數據是視覺識別研究中最重要的因素之一，通常我們更多關注於模型，演算法本身，事實上，數據在視覺任務中的作用越來越明顯，圖像數據集是實踐圖像識別，目標檢測等人工智慧任務的基礎，構建特定任務的訓練數據集是AI項目的第一步，本文圍繞數據集構建的一般過程和方法做了介紹，並詳細地闡述了自動化構建工具和技術在數據集構建過程中的應用。

❽ 如何建立同源序列的數據集

要建立同源序列的數據集，需要以下幾個步驟：
1、選擇相關物種或實體。
2、確定特定基因序列或領域。
3、收集基因序列。可以從公共資料庫中獲取基因序列數據，也可以自己獲取基因序列數據（如手動收集、實驗等）。
4、比較多個物種基因序列，確定同源序列。
5、完成數據編輯，統一命名等。
6、驗證所有基因序列的准確性。
7、建立同源序列資料庫，並建立用於檢索的軟體或演算法。