我想使用OpenCV读取和调整输入图像的大小来使用Keras的Resnet50模型。我使用了来自Keras的相同预处理代码（使用OpenCV时，我需要转换为RGB，因为这是preprocess_input()期望的格式）。使用OpenCV和Keras加载图像时，我得到了略有不同的预测。我不明白为什么预测结果不一样。
这是我的代码：
如何使用OpenCV的imread()和resize()来获得与Keras图像加载相同的预测结果？
回答：
# Keras predictionimg = image.load_img(img_path, target_size=(224, 224)) # OpenCV predictionimgcv = cv2.imread(img_path)dim = (224, 224)imgcv_resized = cv2.resize(imgcv, dim, interpolation=cv2.INTER_LINEAR)-
如果你仔细观察，在使用cv2的情况下，你指定的插值方法是
cv2.INTER_LINEAR（双线性插值）；然而，默认情况下，image.load_img()使用的是INTER_NEAREST插值方法。 -
img_to_array(img)。这里的dtype参数是：None
默认值为None，在这种情况下会使用全局设置tf.keras.backend.floatx()（除非你更改了它，默认值为”float32″）
因此，在img_to_array(img)中，你得到的是由float32值组成的图像，而cv2.imread(img)返回的是uint8值的numpy数组。
- 确保从BGR转换为RGB，因为OpenCV直接加载为BGR格式。你可以使用
image = image[:,:,::-1]或image = cv2.cvtColor(image,cv2.COLOR_BGR2RGB)；否则，你会得到反转的R和B通道，导致比较结果不正确。
由于你在这两种情况下应用的预处理是相同的，上面提到的差异是唯一的不同之处；调整这些变化应该能确保结果的可重复性。
我想指出一个观察：假设使用一个库（在本例中是cv2），它自动（并且可能只加载整数而不是浮点数），唯一正确的方法是将第一个预测数组（Keras）转换为uint8，因为将后者转换为float32会丢失可能的信息差异。例如，使用cv2加载到uint8，通过转换而不是233你得到233.0。然而，初始像素值可能是233.3，但由于第一次转换而丢失了。
