Python机器学习手册：从数据预处理到深度学习

问题描述

将图像转换为机器学习算法可用的样本数据。

解决方案

使用NumPy的flatten方法将包含图像信息的多维数组转换成包含样本值的特征向量：

讨论

图像是用像素点的网格来表示的。如果是灰度图，则每个像素用一个值表示（即像素强度，白色为255，黑色为0）。假设我们有一张10×10像素的图像：

在这种情况下，图像数据的维度是10×10：

如果使用flatten方法将数组展开，会得到一个长度为100（10×10）的向量：

这就是图像的特征向量，它可以与其他图像的特征向量结合，生成可供机器学习算法使用的数据。

如果是彩色图像，每个像素就不是用一个值表示的了，而是用多个值（最常见的是3个），分别表示每个通道（红、绿、蓝等）的强度，这些色彩分量混合后可以表示对应像素点的颜色。因此，如果我们的10×10像素的图像是彩色的，每个样本将有300个特征值：

由于图像中的每个像素点都是一个特征，所以随着图像尺寸变大，特征的数量也快速增多，这是图像处理和计算机视觉中的一个主要挑战：

如果图像是彩色的，特征的数量还会进一步增加：

正如输出结果所示，即使是一张小的彩色图像也有近20万个特征，在我们训练模型时，这会产生问题，因为特征的数量可能远远超过样本的数量。

这个问题也引发了后面章节对维度策略的讨论：如何在减少特征数量的同时不丢失过多的信息。