数学形态学

在训练模型之前减小图像的大小。

每当我们使用卷积网络来训练我们的模型时，无论是狗或猫的分类，还是性别分类，或者任何检测签名伪造的最先进的模型，我们有没有想过预处理图像或降低图像的维度而不丢失其中的重要模式？

深层网络需要大量的数据来训练。当您为每个时期执行卷积运算时，最终可能会耗尽大量硬件资源，显然还会耗尽时间。

在本文中，我将介绍几种基本的图像处理技术，您可以在接下来的项目中使用这些技术。

在数学形态学中，我们有一个结构元素(SE)，它类似于卷积运算中的核。SE可以是任何大小，3*3或5*5或任何大小。我们必须根据我们正在解决的问题来定义它。形态运算有两种类型：

2.扩容：-一般用于对图片中的对象进行扩容。它类似于集合论中的A并B，如果你假设A是一个像，B是一个SE。

如果我们将这两个操作链接起来，还可能有另外两个操作可用于许多应用程序。

2.闭合：-如果我们先进行膨胀，然后进行侵蚀，则称为闭合。此操作用于填充图像中的空白。由于图像质量较差，通常存在间隙。

应用：-边界检测，无信息丢失的图像压缩。

我在我的一个项目“基于一次学习的签名伪造检测”中使用了数学形态学。

giHub链接：-https://github.com/krishnasrujan/Signature-Forgery-Detectionhttps://github.com/krishnasrujan/Signature-Forgery-Detection

我使用形态学的问题是为了解决签名质量差和图像维数高的问题。最初，图像尺寸为750*250像素，但签名质量很低，如下所示。

在执行形态运算之后，图像大小为250×75，具有如下所示的更好的质量，

数学形态学的示例代码：

如果您有任何疑问，请提出意见。