在OpenCV中将图像转换成CvMat用于神经网络的训练

Question

我正在编写一个使用OpenCv神经网络模块以及c#和OpenCvSharp库的程序。它必须识别用户的脸，所以为了训练网络，我需要一组样本。问题是如何将样本图像转换成适合训练的数组。我得到的是200x200的位图图像，以及40000个输入神经元，200个隐藏神经元和一个输出的网络:

        CvMat layerSizes = Cv.CreateMat(3, 1, MatrixType.S32C1);
        layerSizes[0, 0] = 40000;
        layerSizes[1, 0] = 200;
        layerSizes[2, 0] = 1;
        Network = new CvANN_MLP(layerSizes,MLPActivationFunc.SigmoidSym,0.6,1);

然后我尝试将位图图像转换为CvMat数组:

private void getTrainingMat(int cell_count, CvMat trainMAt, CvMat responses)
    {
        CvMat res = Cv.CreateMat(cell_count, 10, MatrixType.F32C1);//10 is a number of samples
        responses = Cv.CreateMat(10, 1, MatrixType.F32C1);//array of supposed outputs
        int counter = 0;
        foreach (Bitmap b in trainSet)
        {
            IplImage img = BitmapConverter.ToIplImage(b);
            Mat imgMat = new Mat(img);
            for (int i=0;i<imgMat.Height;i++)
            {
                for (int j = 0; j < imgMat.Width; j++)
                {
                    int val =imgMat.Get<int>(i, j);
                    res[counter, 0] = imgMat.Get<int>(i, j);
                }
                responses[i, 0] = 1;
            }
            trainMAt = res;
        }
    }

然后，当试图训练它时，我得到了这个例外:

输入训练数据应为浮点矩阵，行数等于训练样本数，列数等于第0(输入)层的大小

培训代码:

        trainMAt = Cv.CreateMat(inp_layer_size, 10, MatrixType.F32C1);
        responses = Cv.CreateMat(inp_layer_size, 1, MatrixType.F32C1);
        getTrainingMat(inp_layer_size, trainMAt, responses);
        Network.Train(trainMAt, responses, new CvMat(),null, Parameters);

我是OpenCV的新手，我认为由于缺乏对CvMat结构的理解，我在转换时犯了一些错误。我的错误在哪里，还有其他方法来转换位图吗?

Answer 1

行数等于训练样本数

这是10个样本。

和等于第0(输入)层大小的列数

inp_layer_size。

trainMAt = Cv.CreateMat(10, inp_layer_size, MatrixType.F32C1);
responses = Cv.CreateMat(10, 1, MatrixType.F32C1); // 10 labels for 10 samples

我主要做c++，所以如果我误解了，请原谅我，但是你的像素循环还需要调整。

你的内部循环看起来坏了，因为你赋值给val，但从不使用它，也从不增加你的计数器。

此外，在外部循环中为每个图像分配trainMAt = res;似乎不是一个好主意。

我相信你会让它正确操作，只要记住这样一个事实，即目标是将每个图像扁平化成一行，所以你最终有10行和inp_layer_size列。