Matlab实现图像识别（八）

这节实现图像的预处理。

在最开始的时候，我们仅仅是把图像进行灰度化，并为了训练效率，强行缩小了图像，导致损失了许多图像信息，实际上，有更多的方法来保存这些信息。

现在流行的图像预处理算法非常多，例如图像反转，灰度线性变换，非线性变换，直方图均衡化，线性平滑滤波器，中值滤波器，Sobel算子和拉普拉斯对图像锐化，梯度算子检测边缘，LOG算子检测边缘，Canny算子检测边缘，边界跟踪（bwtraceboundary函数），Hough变换，直方图阈值法，自动阈值法：Otsu法，膨胀操作，腐蚀操作，开启和闭合操作，开启和闭合组合操作，形态学边界提取等等。

例如对于车牌识别或者指纹检测，我们可以使用图像锐化的方法，这样更容易提取出特征，但是对于一般图像检测的话，锐化可能导致信息丢失，究竟用什么预处理方法，最好的方法就是挨个试一下，哪个有用就用哪个。

说实在的，既然把图像都压缩到60*80大小了，而且还不能变大，变大那么运算力就会吃紧，导致丢失大量信息，另外就是图片也是灰度化的，完全丢失了颜色信息，任何要增加信息量的方法都必然会使运算负担加重，导致图像预处理也就是并没有太大作用了，锐化了的图像就一定能比不锐化的图像识别的更成功吗？不一定，但是可以预见的是，即便是精度有损失，也不一定会损失多少。

因此，我的结论是，对图像不进行图形学上的预处理，直接进行卷积池化获得特征。

在一开始我们怎么压缩的图片呢？是这样的：

img = imresize(img, [60, 80]);

这个imresize是怎么调整到任意大小的呢？它是按照双三次插值，这仍是图形学上的操作，我们用卷积来代替，会得到更多的信息。

卷积参数和池化参数怎么确定呢？这里面可以调整的参数太多了，只能说一个一个试，现在随便选择一个。先把图像大小固定到28*28，用20个9*9的卷积过滤器，池化层为2*2的平均池化，隐藏层100个节点，输出层10个节点，那么，我们需要训练的就只有三个参数，分别是卷积时候的参数，隐藏层的参数和输出层的参数。整个运算过程就可以直接用一个函数代表了。我们可以这样用：


那么这里就会有一个问题，就是一般是有一个b，但是这里没有b的位置了，为了代码清晰，就没用，实际上，既然都这么不准了，或者说，整个网络都没有什么特别清晰的判定标准，多一个b，少一个b又能降低多少精确度呢？you never know.
其中X是输出数据，L为标签，这样，每次输入一个批量的数据，返还修改后的参数，然后循环个几千遍，就算好了。

下节讲代码。