我有一个使用 Deep CNN 对停车场进行分类的项目。我的想法是对每个空间进行分类，无论是否有车。我的问题是，我如何准备我的图像数据集来训练我的模型？ 我已经下载了用于训练的 PKLot 数据集，包括负图像和正图像。 我应该把我所有的数据训练图像都变成灰度吗？我应该将所有训练图像调整为一个固定尺寸吗？ （但如果我将我的训练图像调整为一个固定大小，我有横向和纵向图像）。谢谢:)
【问题讨论】：
标签： python computer-vision artificial-intelligence keras training-data
这是一个非常模糊的问题，因为每种图像处理算法都有不同的方法来提取特征。但是，在您的 停车场 示例中，您可能需要执行 RGB 到灰度转换 和 尺寸归一化 以及其他图像处理技术。 p>
这个链接是一个很好的起点：http://www.scipy-lectures.org/advanced/image_processing/
【讨论】：
首先检测图像中存在的汽车，并获取它们的大小和对齐方式。然后通过固定合适的尺寸和对齐方式对停车场进行分割和标记。
【讨论】：
由于您想使用 pklot 数据集来训练您的机器并使用真实数据进行测试，因此最好的方法是使两个数据集相似且同源，它们必须是标准化的、固定大小的、灰度化的和参数化的形状。那么您可以使用尺度不变特征变换（SIFT）作为图像特征提取的基本方法。确切的定义通常取决于问题或应用程序的类型。由于特征被用作后续算法的起点和主要原语，因此整体算法通常只能与其特征检测器一样好。您可以根据您的问题使用这些类型的图像特征：
【讨论】：