extractPixels : transformation d’extraction de données de pixels de Machine Learning

Extrait les valeurs en pixels d’une image.

Utilisation

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

Arguments

vars

Liste nommée de vecteurs de caractères des noms de variables d’entrée, et le nom de la variable de sortie. Notez que les variables d’entrée doivent être du même type. Pour les mappages un-à-un entre les variables d’entrée et de sortie, un vecteur de caractères nommé peut être utilisé.

useAlpha

Spécifie s’il faut utiliser le canal alpha. La valeur par défaut est FALSE.

useRed

Spécifie s’il faut utiliser le canal rouge. La valeur par défaut est TRUE.

useGreen

Spécifie s’il faut utiliser le canal vert. La valeur par défaut est TRUE.

useBlue

Spécifie s’il faut utiliser le canal bleu. La valeur par défaut est TRUE.

interleaveARGB

Spécifie s’il faut séparer chaque canal ou les entrelacer dans l’ordre ARVB. Cela peut être important, par exemple, si vous formez un réseau neuronal convolutif, car cela affecterait la forme du noyau, le stride, etc.

convert

Valeur à convertir en nombre à virgule flottante. La valeur par défaut est FALSE.

offset

Spécifie le décalage (pré-échelle). Cela nécessite convert = TRUE. La valeur par défaut est NULL.

scale

Spécifie le facteur d’échelle. Cela nécessite convert = TRUE. La valeur par défaut est NULL.

Détails

extractPixels extrait les valeurs en pixels d’une image. Les variables d’entrée sont des images de la même taille, en général la sortie d’une transformation resizeImage. La sortie est une donnée de type pixel sous forme vectorielle qui est généralement utilisée en tant que caractéristique pour un apprenant.

Valeur

Un objet maml définissant la transformation.

Auteur(s)

Microsoft Corporation Microsoft Technical Support

Exemples


 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")