函数cv2.dnn.blobFromImage(image[, scalefactor[, size[, mean[, swapRB[, crop[, ddepth]]]]]])
作用:
对图像进行预处理,包括减均值,比例缩放,裁剪,交换通道等,返回一个4通道的blob(blob可以简单理解为一个N维的数组,用于神经网络的输入)
参数:
- image:输入图像(1、3或者4通道)
可选参数
- scalefactor:图像各通道数值的缩放比例
- size:输出图像的空间尺寸,如size=(200,300)表示高h=300,宽w=200
- mean:用于各通道减去的值,以降低光照的影响(e.g. image为bgr3通道的图像,mean=[104.0, 177.0, 123.0],表示b通道的值-104,g-177,r-123)
- swapRB:交换RB通道,默认为False.(cv2.imread读取的是彩图是bgr通道)
- crop:图像裁剪,默认为False.当值为True时,先按比例缩放,然后从中心裁剪成size尺寸
- ddepth:输出的图像深度,可选CV_32F 或者 CV_8U.
注意:
1. 当同时进行scalefactor,size,mean,swapRB操作时,优先按swapRB交换通道,其次按scalefactor比例缩放,然后按mean求减,最后按size进行resize操作
2. 当进行减均值操作时,ddepth不能选取CV_8U,否则报错:
OpenCV(4.1.2) D:\Build\OpenCV\opencv-4.1.2\modules\dnn\src\dnn.cpp:251: error: (-215:Assertion failed) mean_ == Scalar() && "Mean subtraction is not supported for CV_8U blob depth" in function 'cv::dnn::dnn4_v20190902::blobFromImages'
3. 当crop=True时,先等比例缩放,直至宽高尺寸一个等于对应的size尺寸,另一个大于或者等于对应的size尺寸,然后再从中心进行裁剪
返回:
4维的数组
e.g.
import numpy as np
import cv2
#导入bgr彩色图像
img=cv2.imread('e:\\imagesfavour\\9.23.2.jpg')
#求原图各通道均值
mean_ori=[]
for i in range(3):
mean_ori.append(np.mean(img[:,:,i]))
#各通道分别减去20,30,40
blob=cv2.dnn.blobFromImage(img,scalefactor=1,size=(300,300),mean=[20,30,40])
#求输出blob的各通道均值
mean_blob=[]
for i in range(3):
mean_blob.append(np.mean(blob[0][i]))
print('原图各通道均值:{}'.format(mean_ori))
print('输出blob各通道的均值:{}'.format(mean_blob))
print('原图的shape:{}'.format(img.shape))
print('输出blob的shape:{}'.format(blob.shape))
输出如下:
原图各通道均值:[110.10160243055556, 134.75311979166668, 158.2965668402778] 输出blob各通道的均值:[90.09298, 104.75085, 118.2897] 原图的shape:(1200, 1920, 3) 输出blob的shape:(1, 3, 300, 300)