首先，定义一个通用的数学模型，将输入图像转换为输出标签。
这个模型的实际输出不仅仅依赖于图像本身，还依赖模型内建的参数。这些参数由计算机通过学习获得。
图像识别步骤：
定义一个模型并提供初始的参数值
向模型输入图像数据集和已知的正确标签进行训练
模型重复校验，训练数据，持续调整参数值
直至找到合适的参数使模型输出尽可能多的正确结果
当训练完成，找到最优（接近最优的模型参数）。
首先是提取图片的特征，将这些特征进行分类处理，训练并建立模型，然后在进行识别。
但是让计算机去区分这些图片分别是哪一类是很不容易的，不过计算机可以知道图像的像素值的，因此，在图像识别过程中，通过颜色特征来识别是相似图片是我们常用的方式，
卷积神经网络：
卷积神经网络就相当于是采用一个内核，即一个规模较小的矩阵，去处理一个比较小的区域，然后去通过移动这个小矩阵，去处理不同的这个块。（自动从图像中去提取特征）
利用这些图片，需要对图像进行处理，提高图片质量或提取图片内容信息。 图像处理的常见操作包括图像显示，基本操作如裁剪，翻转，旋转等，图像分割，分类和特征提取，图像恢复和图像识别。
颜色：
利用颜色直方图描述图像中像素颜色的数值分布情况，可以反映图像颜色的统计分布和图像基本色调。
plt.figure()
plt.subplot(221)
plt.axis('off')
plt.title('原始图像')
plt.imshow(img)
纹理：
统计纹理分析方法是较常用的纹理特征描述分析方法，通过统计图像的空间频率、边界频率以及空间灰度依赖关系等对纹理进行描述。
ax = fig.add_subplot(3, 2, 2)
ax.plot(xs[:len(grass_patches)], ys[:len(grass_patches)], 'go', label='Grass')
ax.plot(xs[:len(sky_patches)], ys[:len(sky_patches)], 'bo', label='Sky')
ax.set_xlabel('灰度共生矩阵相似性')
ax.set_ylabel('灰度共生矩阵相关度')
ax.legend()
本文参考链接:
Original: https://blog.csdn.net/m0_51367120/article/details/124740048
Author: ..dreamer
Title: 机器学习——图像识别（卷积神经网络）
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/613272/
转载文章受原作者版权保护。转载请注明原作者出处！