Compartir a través de


extractPixels: transformación de los datos de píxeles extraídos de Machine Learning

Extrae los valores de píxeles de una imagen.

Uso

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

Argumentos

vars

Lista con nombre de vectores de caracteres de nombres de variables de entrada y el nombre de la variable de salida. Tenga en cuenta que todas las variables de entrada deben ser del mismo tipo. Para las asignaciones uno a uno entre variables de entrada y salida, se puede usar un vector de caracteres con nombre.

useAlpha

Especifica si se debe usar el canal alfa. El valor predeterminado es FALSE.

useRed

Especifica si se debe usar el canal rojo. El valor predeterminado es TRUE.

useGreen

Especifica si se debe usar el canal verde. El valor predeterminado es TRUE.

useBlue

Especifica si se debe usar el canal azul. El valor predeterminado es TRUE.

interleaveARGB

Si se debe separar cada canal o intercalar en orden ARGB. Esto podría ser importante, por ejemplo, si está entrenando una red neuronal convolucional, ya que esto afectaría a la forma del kernel, el paso, etc.

convert

Si se debe convertir a número de punto flotante. El valor predeterminado es FALSE.

offset

Especifica el desplazamiento (escalado previo). Esto requiere el valor convert = TRUE. El valor predeterminado es NULL.

scale

Especifica el factor de escala. Esto requiere el valor convert = TRUE. El valor predeterminado es NULL.

Detalles

extractPixels extrae los valores de píxeles de una imagen. Las variables de entrada son imágenes del mismo tamaño, normalmente la salida de una transformación resizeImage. La salida son datos de píxeles en forma de vector que normalmente se usan como características para un aprendiz.

Value

Un objeto maml que define la transformación.

Autores

Microsoft Corporation Microsoft Technical Support

Ejemplos


 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")