图像处理实战-DNN

在opencv中使用DNN网络对图像进行处理。

**完整代码：https://github.com/YvanYan/image_processing/tree/master/dnn
**

---

流程：
1.加载已经训练好的DNN模型
2.图像预处理，使其满足DNN输入尺寸
3.使用DNN读取图像，进行前向传播预测
4.得到预测结果

1.加载已经训练好的DNN模型

# Caffe所需配置文件
net = cv2.dnn.readNetFromCaffe("bvlc_googlenet.prototxt",
    "bvlc_googlenet.caffemodel")

这里使用的是caffe框架下的DNN网络，可以根据需要更换。

2.图像预处理，使其满足DNN输入尺寸

image = cv2.imread(imagePaths[0])
resized = cv2.resize(image, (224, 224))

需要将图像resize成需要的大小，这里DNN网络的输入是224*244。

3.使用DNN读取图像，进行前向传播预测

blob = cv2.dnn.blobFromImage(resized, 1, (224, 224), (104, 117, 123))
print("First Blob: {}".format(blob.shape))

net.setInput(blob)
preds = net.forward()

• blobFromImage(image, scalefactor, size, mean, swapRB)，主要是用来对图片进行预处理，包含两个主要过程：1.整体像素值减去平均值，2.通过缩放系数对图片像素值进行缩放。
  image：输入到神经网络的图片。
  scalefactor：在图片减去均值后，是否对剩下的像素值进行一定尺度的缩放。它的默认值是1，即不进行缩放。若为1/2，则表示全部缩小一半。
  size ：是神经网络在训练的时候要求输入的图片尺寸。
  mean：图像的平均值。
  swapRB：OpenCV中认为我们的图片通道顺序是BGR，但是我平均值假设的顺序是RGB，所以如果需要交换R和G，那么就要使swapRB=true。

• blobFromImages表示读取一个batch的图片。其中image参数表示一个图像的集合。

• setInput：将处理好的图片放到网络中。

• forward：表示采用前向传播，即得到神经网络的输出。

4.得到预测结果

idx = np.argsort(preds[0])[::-1][0]
text = "Label: {}, {:.2f}%".format(classes[idx],
    preds[0][idx] * 100)
cv2.putText(image, text, (5, 25),  cv2.FONT_HERSHEY_SIMPLEX,
    0.7, (0, 0, 255), 2)

对结果中每个种类的概率进行排序，取最大概率的种类作为结果。