如何处理不同的图像尺寸进行分类答案

【问题标题】：How to tackle different Image dimensions for classification如何处理不同的图像尺寸进行分类
【发布时间】：2019-06-05 17:26:29
【问题描述】：

我正在解决一个问题，我必须将图像分类到不同的组中。我是一名初学者，使用简单的序列模型使用 Keras。我应该如何解决以下代码中不同尺寸图像的问题，例如有些图像的尺寸为 2101583，而有些图像的尺寸为 210603 等。请提出建议。

model.add(Dense(100,input_dim = ?,activation= "sigmoid"))
model.add(Dense(100,input_dim = ?,activation= "sigmoid"))

【问题讨论】：

【解决方案1】：

对于 Keras 中的简单分类算法，输入的大小应始终相同。由于前馈神经网络由一个输入层、一对多的隐藏层和一个输出层组成，所有节点都连接在一起，因此每个输入节点都应该始终有一个输入。此外，神经网络的形状和其他超参数是静态的，因此您无法更改输入的数量，因此无法更改一个神经网络中每个图像的大小。

根据您的情况，最佳做法是将所有图像缩小到最小图像的大小，或者将所有图像放大到最大图像的大小。

缩小规模 通过缩小尺寸，您会主动从图像中删除像素，包括像素中包含的信息。这可能会导致过度拟合，但也会减少计算时间。

升迁通过升迁，您可以在图像中添加像素，而无需添加信息。这会增加计算时间，但您会保留每个图像的信息。

为了一个好的开始，我建议您尝试将图像缩小到最小的图像。这也是科学界的常见做法[1]。这样做的一个库是OpenCV，关于实现问题，请参考 Stackoverflow 上的多个问题：

【讨论】：