• 資料前處理

  • 直方圖均衡化

     

    我們先把同一類別圖片放在同個list,再用直方圖查看像素的分配狀況

  • broken image
  • broken image
  •  

    直方圖均衡化(Histogram Equalization)

    這種方法通常用來增加許多圖像的全局對比度,尤其是當圖像的有用數據的對比度相當接近的時候。通過這種方法,亮度可以更好地在直方圖上分布。這樣就可以用於增強局部的對比度而不影響整體的對比度,直方圖均衡化通過有效地擴展常用的亮度來實現這種功能。

  • broken image
  • 局部均衡化(CreateCLAHE)

    是一種圖像處理技術,旨在提高圖像中某些區域的對比度,以增強圖像的視覺清晰度和細節。與全局對比度增強不同,局部對比度增強專注於在圖像的特定局部區域內調整對比度,而不是對整個圖像施加相同的對比度調整。這種方法可以使圖像中的細節更加鮮明,特別是在那些對比度不足的區域。

     

    工作原理

    局部對比增強的基本原理是分析圖像的局部區域,並根據這些區域的特性調整像素值。這通常涉及以下步驟:

     

    分割圖像:首先,將圖像劃分為多個小區域或“窗口”。每個窗口都獨立考慮,以便根據其內部的內容調整對比度。

     

    分析局部特性:對於每個窗口,分析其像素值的分佈,確定如何調整對比度以增強局部細節。這可能包括計算區域的平均亮度、對比度或其他統計特性。

     

    應用增強:根據分析結果,適當調整每個窗口內的像素值以增加對比度。這通常通過改變像素值與窗口內平均亮度的差異來實現,使得明亮區域變得更亮,暗淡區域變得更暗。

     

    平滑處理:為了防止增強過程產生人工痕跡或不自然的過渡,可能會應用平滑處理來混合相鄰窗口的邊界。

     

    應用場景

    局部對比增強在多個領域都有廣泛應用,包括:

    醫學影像:幫助醫生更清晰地看到X光片、MRI或CT掃描中的細節。

    衛星和航拍圖像:增強地形特徵,提高圖像的可讀性。

    攝影和圖像編輯:改善照片的視覺效果,使細節更加突出。

    局部對比增強的優點

    細節增強:能夠顯著提升圖像中的細節和紋理,特別是在低對比度區域。

    靈活性:通過調整局部處理的參數,可以控制增強的程度和範圍,適應不同的圖像和需求。

    保持自然效果:通過僅在需要的區域增加對比度,可以保持圖像的自然外觀,避免過度處理。

    局部對比增強是一個強大的圖像處理工具,通過改善圖像的局部對比度,它能夠在不犧牲整體自然感的情況下,增強圖像的清晰度和細節。

  • 處理資料不平衡(權重)

    我們觀察到資料集中不同類別的樣本分布存在不均衡的情況,特別是某些類別的樣本數相對較少,這可能導致模型在訓練過程中對於少數類別的預測效果不佳
    增加較重懲罰權重給樣本數少的類別,讓訓練的時候模型會更加注重這些樣本

  • broken image

    上圖發現分布不是很平均,2和4種類的圖片偏少,所以增加權重給樣本較少的類別

    broken image
  • 處理資料不平衡(資料增強)

    前面有提到,我們的資料有不平衡問題,手上的label2以及label4偏少,這樣的問題會導致我們的神經網路很難學習,所以我們必須使用資料增強來增加手頭上的資料

    LABEL4(增強前)

    broken image

    LABEL4(增強後)

  • 數值正規化

    將陣列中的像素值全部除以255(最大像素值)

    broken image

     我們這邊是使用ImageDataGenerator所提供的preprocessing_function,它會將所有值壓縮到[-1,1]