欢迎关注我的公众号 [极智视界]，回复001获取Google编程规范
O_o >_< o_O O_o ~_~ o_O
大家好，我是极智视界，本文介绍了用 C++ 实现一般模型推理图片预处理的方法，通用性较强。
大家知道，对于一个视觉深度学习应用来说，主要会涉及几个流程：视频编解码、图像预处理、模型推理、后处理。这里介绍一下图像预处理的实现。
以默认如下配置为例：opencv 读图、宽高均为512、三通道、均值 [0.485, 0.456, 0.406]、方差 [0.229, 0.224, 0.225]、需做归一化、以 RGB 喂给模型。那么你的预处理可以这么写：
cv::Mat source, frame;
source = cv::imread(img_path); // 读图
if (!source.data) // 异常判断
{
std::cout << " read error" << std::endl;
}
int batchsize = 1;
int net_w = 512;
int net_h = 512;
cv::cvtColor(source, frame, cv::COLOR_BGR2RGB); // 通道转换
cv::resize(frame, frame, cv::Size(net_w, net_h)); // resize
float* mat_data = new float[batchsize * net_w * net_h * 3];
int data_index = 0;
// 开启图像预处理
for(int i = 0; i < net_h; i++)
{
const uchar* current = frame.ptr<uchar>(i); // 指向每行首地址
for(int j = 0; j < net_w; j++)
{
mat_data[data_index] = ((current[3*j + 0] / 255.0) - 0.485) / 0.229; // R
mat_data[net_w*net_h + data_index] = ((current[3*j + 1] / 255.0) - 0.456) / 0.224; // G
mat_data[2*net_w * net_h + data_index] = ((current[3*j + 2] / 255.0) - 0.406) / 0.225; // B
data_index++;
}
}
// 然后把 mat_data 喂给模型
// 用完之后别忘了 delete mat_data
delete mat_data;
解释一下以上的代码，opencv 读图默认 BGR 排布，这个案例需要以 RGB 喂给模型，所以在做预处理的时候最重要的是要把通道对应起来。这里的实现主要利用了指针偏移，每个内循环的起始位置都是指向每行首地址，然后慢慢往后偏移，在偏移的途中顺便做一些预处理的操作，等走完一遍也就顺便完成了图像预处理流程，这样的处理方式，效率还是不错的。
然后再说一下预处理完的数据排布，前面说了 opencv 读进来是 BGR 的，经过了 cvtColor 转换后成了 RGB，这个时候的数据排布是 RGBRGBRGBRGBRGB...，然后进我们的图像预处理，做完之后的数据排布是这样的：RRRRRRRRRRRR...GGGGGGGGGGG...BBBBBBBBBBB，之后在喂给模型就行。
以上介绍了用 C++ 实现一般模型推理图片预处理的方法，预处理是深度学习应用中必不可少的一个环节，代码还算比较通用，希望我的分享能对你的学习有一点帮助。
【公众号传送】
《【模型推理】教你用 C++ 实现一般模型推理图片预处理模块》
