上文链接：Deep learning for Computer Vision with Python 计算机视觉和深度学习阅读笔记(1)
第三章 图像基础
3.1 像素
3.1.1 像素和颜色
像素是图像的组成元素，每张图片都由一系列像素组成。图像中的像素数量=长像素数*宽像素数。
大多数像素可分为两类：
- 灰度/单通道
- 彩色通道
灰色通道的像素是标量，其值在0~255之间，其中0为黑色，255为白色。
彩色通道的像素是一个红色、绿色和蓝色的三元组，它们的范围在0~255之间。我们通常使用8位int表示0~255之间的数字。
然而，通常，我们不会直接将图像的像素数据放入神经网络进行训练，而是进行数据转换过程，即使用一些加载方法（例如）OpenCV）将像素int数据转成float类型数据。
由于RGB颜色范围包括255的三次方，即1677216种颜色，因此可以使用绝大多数数数据集中图片的颜色RGB表示颜色。
3.1.2 构成图片数据
我们知道，RBG颜色是红、绿、蓝三个通道。因此，图片可以由三个部分组成，每个部分表示一个颜色通道。每个部分都是矩阵，可以使用W*H来表示。因此，一张彩色图片是由W*H*D来组成的，W是宽度，H是高度，D是通道数RGB颜色区域，D=3.
3.1.3 像素坐标系
像素的坐标表示不同于一般的数学坐标系，从0开始，左上角为(0，0)，如图所示。
3.1.4 使用Numpy数组表示图片
OpenCV或者scikit-image表示图片的方式是一系列Numpy数组，每个numpy数组的shape为：（height, width, depth）注意，height在width原因是像素在图片中以坐标的形式表示 (y, x).
import cv2 image = cv2.imread("img.png") print(image.shape) cv2.imshow("Image",image) cv2.waitKey(0)值得注意的是，OpenCV对于RGB排序方法是。
3.2 缩放图片(scaling)
缩放图片时，我们通常会固定图片的纵横比，以确保图片不会被过度压缩或拉伸。然而，固定纵横比的操作不适用于深度学习，因为神经网络的输入通常需要所有图片的固定尺寸。通常，深度学习所需的尺寸是：
32、64、64、224、224 227??227， 256??256， 299??299.
因此，我们仍然需要水平或垂直压缩图片。需要分析具体的压缩方法。对于一些数据集，不需要考虑压缩的影响；对于其他数据集，需要在改变尺寸之前进行一些处理。具体方法将在下一章中详细介绍。
第四章 图像分类基础
对于人类来说，图片很容易识别，你一眼就能看到图片的内容。但对于计算机来说，图片是由矩阵组成的。如果你想让计算机知道图片在表示什么，你需要应用图像分类任务。图像分类是计算机视觉的子主题。
举个例子。我们假设我们的图片数据集中包含三个类别：
然后，当我们将图片放入识别系统时，我们会得到这样的结果：
在计算机眼中，有两张不同的图片，即两个不同的矩阵。
一开始，计算机无法区分每张图片的内容。但是，我们可以从三个角度分解这张图:
计算机如何描述这些信息？方法是提取特征，将数据提取成特征向量。有一些传统的人工设计特征，如HOG、LBP；另一种方法是在深度学习中自动提取特征。
4.1 图像识别的挑战
图像识别会遇到各种挑战。一个目标在不同的因素下会有不同的变化，主要分类如下:
- 角度变化：在不同的角度下，物体的外观是不同的；
- 尺寸变化:一个物体会有多种尺寸，比如大杯、中杯、小杯；
- 变形：物品变形；
- 遮挡:目标物品被其他物品遮挡；
- 照明， 例如，强光弱光的影响；
- 背景杂波的影响；
- 类别内部的变化，如沙发、高脚椅、短凳等；
我们的图像识别系统应该足以识别上述变化，甚至组合变化。这是非常困难的。也许识别对象的范围可以缩小，使用特定的任务；例如，识别冰箱，而不是识别所有的厨房项目。（）