本次筆記要整理的內容是：通過OpenCV的dnn模塊來調用OpenCV自帶的inception5h模型，並實現物體識別。該模型可識別的類別總共有1000類，包含動物、日常用品、交通工具等等，範圍非常廣泛。下面通過代碼逐步整理。
首先，我們需要加載模型，並設置計算後臺和目標設備。
//加載opencv自帶的tenserflow模型實現圖像分類
const string tf_net_model_path = "D:\\opencv_c++\\opencv_tutorial\\data\\models\\inception5h\\tensorflow_inception_graph.pb";
const string labels_txt_path = "D:\\opencv_c++\\opencv_tutorial\\data\\models\\inception5h\\imagenet_comp_graph_label_strings.txt";
//加載tf模型
dnn::Net tf_net = dnn::readNetFromTensorflow(tf_net_model_path);
tf_net.setPreferableBackend(DNN_BACKEND_OPENCV); //設置計算後臺，DNN_BACKEND_INFERENCE_ENGINE表示使用openVINO進行加速計算，但是一些模型上使用會報錯；DNN_BACKEND_OPENCV表示使用opencv自帶的dnn後臺進行計算
tf_net.setPreferableTarget(DNN_TARGET_CPU); //設置計算目標設備
if (tf_net.empty())
{
cout << "read model file fail" << endl;
}
然後從文件中加載、並組織成可以索引類別的標籤集。
//讀取分類標籤集
ifstream fp(labels_txt_path);
vector<string>class_labels;
if (!fp.is_open())
{
cout << "labels file can't open" << endl;
exit(-1);
}
while (!fp.eof()) //如果指針不位於文件末尾，就繼續讀取文件
{
string class_name;
getline(fp, class_name); //讀取文件中的每一行數據
if (0 != class_name.length()) //如果不是空行，就將這一行的數據保存起來
{
class_labels.push_back(class_name);
}
}
然後讀取測試圖像。
//讀取測試圖像
Mat test_image = imread("D:\\opencv_c++\\opencv_tutorial\\data\\images\\pig.jpg");
resize(test_image, test_image, Size(700, 700));
imshow("test_image", test_image);
接着是非常重要的一步，就是將輸入神經網絡的圖像進行預處理，將圖像轉化爲一個4維的blob。
Mat inputBlob = dnn::blobFromImage(test_image, 1.0, Size(224, 224), Scalar(117,117,117), true, false, 5);
APIblobFromImage（）的參數含義如下：
（1）參數image：要輸入神經網絡進行處理或者分類的圖片；
（2）參數scalefactor：將圖像減去平均值之後，對每個像素點的像素值進行一定的尺度縮放，它的默認值是1；例如當scalefactor=1/2，則對圖像進行減均值操作後，再對每個像素點的像素值乘1/2；
（3）參數size：神經網絡（模型）在訓練的時候要求輸入的圖片尺寸，由所使用的模型來決定；
（4）參數mean：對圖像減去的平均值，如果我們需要對RGB圖片的三個通道分別減去不同的值，那麼可以使用3組平均值，如果只使用一組，那麼就默認對三個通道減去一樣的值。
對圖片的R、G、B三通道求取平均像素值，然後將每個像素點減去平均值，就可以得到像素點之間的相對值，可以消除同一場景下不同光照情況的圖片對最終分類的影響。該值由訓練模型時所使用的數據集決定。
（5）參數swapRB：OpenCV中圖像的通道順序是BGR，但是有些神經網絡的輸入圖像其通道順序是RGB；當測試圖像和神經網絡要求的輸入圖像的通道順序不同時，則將swapRB=true，即交換輸入圖像的R、B通道；該值由所使用的神經網絡的輸入圖像要求所決定；
（6）參數crop：表示是否對要輸入神經網絡的測試圖像進行裁剪，一般默認爲false；
（7）參數depth：返回的blob的深度。
接着就可以將處理好的blob傳入神經網絡中進行前向傳播了，並得到預測結果。
Mat prob;
//設置神經網絡的輸入，可以指定爲某一層的輸入，默認第一層神經層爲輸入層
tf_net.setInput(inputBlob);
//對神經網絡進行前向傳播，得到一個預測結果；具體結構由所使用的神經網絡輸出層決定
prob = tf_net.forward();
得到預測結果後，需要將結果做一定的處理，也就是把結果矩陣轉換爲1行多列的矩陣，其中每一列就是一個類別的置信度。我們獲取其中數值最大的一列，那麼該列的x座標在標籤集中對應的類別就是輸出的預測類別。
//將預測結果轉化爲一行多列的單通道Mat對象，每一列爲一個標籤的置信度
Mat prob_mat = prob.reshape(1, 1);
//尋找預測結果中置信度最大的某個分類，即爲輸入測試圖像的預測分類
double maxval;
Point maxloc;
minMaxLoc(prob_mat, NULL, &maxval, NULL, &maxloc);
int classID = maxloc.x;
maxval = maxval * 100;
最後對預測結果進行可視化輸出。
//輸出預測結果
string confidence = to_string(maxval);
string img_class = class_labels[classID];
putText(test_image, img_class+confidence+"%", Point(50, 50), FONT_HERSHEY_SIMPLEX, 1, Scalar(0, 255, 0), 2, LINE_AA);
imshow("retult", test_image);
cout <<"運行時間: "<< run_time << "s" << endl;
運行結果如下：
到這裏，我們就實現了在OpenCV中dnn模塊來調用inception5h模型來進行圖像分類的功能，那麼本次筆記到此結束啦。
PS：本人的註釋比較雜，既有自己的心得體會也有網上查閱資料時摘抄下的知識內容，所以如有雷同，純屬我向前輩學習的致敬，如果有前輩覺得我的筆記內容侵犯了您的知識產權，請和我聯繫，我會將涉及到的博文內容刪除，謝謝！