extractPixels: преобразование данных с извлечением пикселей для Машинного обучения

Статья
05/23/2023

Извлекает значения пикселей из изображения.

Использование

  extractPixels(vars, useAlpha = FALSE, useRed = TRUE, useGreen = TRUE,
    useBlue = TRUE, interleaveARGB = FALSE, convert = TRUE, offset = NULL,
    scale = NULL)

Аргументы

`vars`

Именованный список векторов символов имен входных переменных и имени выходной переменной. Обратите внимание, что входные переменные должны иметь один и тот же тип. Для однозначного соответствия между входными и выходными переменными можно использовать именованный вектор символов.

`useAlpha`

Указывает, следует ли использовать альфа-канал. Значение по умолчанию — FALSE.

`useRed`

Указывает, следует ли использовать красный канал. Значение по умолчанию — TRUE.

`useGreen`

Указывает, следует ли использовать зеленый канал. Значение по умолчанию — TRUE.

`useBlue`

Указывает, следует ли использовать синий канал. Значение по умолчанию — TRUE.

`interleaveARGB`

Следует ли разделять каждый канал или чередовать каналы в последовательности ARGB. Это может быть важно, например при обучении сверточной нейронной сети, так как это повлияет на форму ядра, шаг перемещения и т. п.

`convert`

Следует ли выполнять преобразование в число с плавающей запятой. Значение по умолчанию — FALSE.

`offset`

Задает смещение (предварительное масштабирование). Для этого требуется convert = TRUE. По умолчанию используется значение NULL.

`scale`

Задает коэффициент масштабирования. Для этого требуется convert = TRUE. По умолчанию используется значение NULL.

Сведения

extractPixels извлекает значения пикселей из изображения. В качестве входных данных используются изображения одинакового размера, обычно полученные в результате преобразования resizeImage. Выходными данными являются данные пикселей в векторной форме, которые обычно используются в качестве признаков для изучения.

Значение

Объект maml, определяющий преобразование.

Авторы

Корпорация Майкрософт Microsoft Technical Support

Примеры


 train <- data.frame(Path = c(system.file("help/figures/RevolutionAnalyticslogo.png", package = "MicrosoftML")), Label = c(TRUE), stringsAsFactors = FALSE)

 # Loads the images from variable Path, resizes the images to 1x1 pixels and trains a neural net.
 model <- rxNeuralNet(
     Label ~ Features,
     data = train,
     mlTransforms = list(
         loadImage(vars = list(Features = "Path")),
         resizeImage(vars = "Features", width = 1, height = 1, resizing = "Aniso"),
         extractPixels(vars = "Features")
         ),
     mlTransformVars = "Path",
     numHiddenNodes = 1,
     numIterations = 1)

 # Featurizes the images from variable Path using the default model, and trains a linear model on the result.
 model <- rxFastLinear(
     Label ~ Features,
     data = train,
     mlTransforms = list(
         loadImage(vars = list(Features = "Path")),
         resizeImage(vars = "Features", width = 224, height = 224), # If dnnModel == "AlexNet", the image has to be resized to 227x227.
         extractPixels(vars = "Features"),
         featurizeImage(var = "Features")
         ),
     mlTransformVars = "Path")