Dimensionalidade de Imagens 📐

Bem vindo ao meu estudo sobre dimensionalidade de imagens!

Nesse desafio do bootcamp, foi proposto que aplicássemos filtros para pré-processar imagens. Mas, eu fui um pouco além, a motivo de curiosidade, para ver como um modelo de classificação de imagens se sairia tendo o dataset de treinamento pré-processado de maneiras diferentes.

🛠️ Tecnologias Utilizadas

1. Linguagem de Programação:

   • Python

2. Bibliotecas e Frameworks:

   • TensorFlow
   • Keras
   • NumPy
   • Matplotlib
   • scikit-learn
   • Pillow
   • Requests

3. Outras Ferramentas:

   • para armazenamento de arquivos.
   • para desenvolvimento e execução do notebook.

📑 Tópicos Abordados

1. 🧩 O que é Redução de Dimensionalidade

   • Um breve texto explicando o que é e o porquê dessa técnica.

2. 📷 Carregar imagem da internet

   • Criar funções para carregar uma imagem da internet e mostrar ela e seu tamanho em bytes no colab.

3. 🔳 Filtro de Tons de Cinza

   • Desenvolver uma função para aplicar o filtro de escala de cinza em uma imagem.

4. 📊 PCA (Principal Component Analysis)

   • Desenvolver uma função para aplicar a técnica de PCA em uma imagem.

5. 🧠 Treinando o modelo

   • Sem pré-processamento
   • Aplicando a escala de cinza
   • Aplicando o método PCA

6. 📕 Conclusão

   • O que pode ser aprendido desse estudo.

7. 🔗 Referências

   • Os sites usados de inspiração para o estudo.

✅ Resultados

Foi observado que ao converter uma imagem para a escala de cinza seu tamanho diminui cerca de 3 vezes! Mas aplicando a técnica PCA, o tamanho não muda.

Esse foi o resultado obtido ao treinar um modelo de classificação com diferentes técnicas de pré-processamento:

Técnica	Tempo de Treinamento (s)	Acurácia
Sem pré-processamento	11.9561	0.3392568659127625
Com escala de cinza	7.57	0.6639741518578353
Com PCA	23.2667	0.6397415185783522

👀 Confira os detalhes

Confira em detalhes como esses resultados foram obtidos no meu notebook: Redução de Dimensionalidade.