几年前，我研究了非常简短的有监督的机器学习和分类，现在，我想用一个真实的用例来介绍一下。
我想将其应用于纹理分类。例如，给定带有不同墙纸的墙壁的带标签的图片，我希望它能够学习对它是哪种墙纸进行分类。
我知道，通常，图像会被分成小块，形成“视觉词汇”，然后我们可以在其上训练算法。
但是我仍然停留在第一步：在应用学习算法之前，我应该如何准备图像？例如，我知道大多数时候学习都是在二进制图像上完成的，但是在我看来，颜色可能是一类的特征。但是二值化可能在墙纸由图案或颗粒纹理识别的情况下有用。在这种情况下，我不知道是否有通用操作可应用于图像以使这些特征更加明显。如果是这种情况，我应该为每个样本创建几张图像吗？
综上所述，我想知道在创建特征矢量之前准备图像的常用方法有哪些，特别是因为我正在使用RGB数据，这可能会使处理过程更加复杂。任何建议将不胜感激
最佳答案
对于每个班级，您都可以剪一些小补丁，并保留颜色信息。大多数DNN库都支持多通道图像。然后，您可以简单地将每个像素值除以255（如果您的图像是8位）并减去0.5，就像每个色块居中（平均0）一样，并且标准偏差小于0.5。
但是要小心，在输出层中每个类需要一个神经元，这会使DNN变得非常大。
关于image-processing - 图像上的机器学习:如何预处理数据，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/36176338/