Dans de nombreux cas d'usage métiers ou via des capteurs spécifiques, les données d'image sont transmises sous forme de bandes de couleurs séparées, c'est-à-dire tous les pixels bleus d'abord, suivis des verts, puis des rouges. SAS Viya simplifie cette intégration grâce à l'option booléenne groupedChannels. Lorsqu'elle est activée, l'algorithme réassemble intelligemment ces structures groupées en matrices d'images multi-canaux parfaitement exploitables par vos modèles analytiques, sans nécessiter de prétraitement lourd.
Vos pixels sont triés par couleur ? Découvrez comment gérer les canaux groupés nativement
Maîtrisez le format Planar avec groupedChannels
Exemples pour l'action condenseImages
Condensation basique en niveaux de gris
Cet exemple montre comment vectoriser des colonnes de pixels bruts en un blob binaire d'image 2x2. Idéal pour structurer des données tabulaires avant un entraînement Deep Learning sur SAS Viya.
Condensation d'images couleur avec conservation d'ID
Cet exemple convertit des pixels bruts en images RGB via des canaux groupés (RRRRGGGGBBBB), tout en préservant l'ID source grâce au paramètre copyVars pour assurer la traçabilité des données.
Conseil de l'Expert
Pour maximiser les performances I/O, assurez-vous que vos images sont stockées dans un format non compressé ou "lossless" lors de l'utilisation de groupedChannels. Cela permet à l'action processImages de réaligner les pointeurs mémoire sans la surcharge CPU liée à une décompression canal par canal.
Cette réponse vous a-t-elle aidé ?
À lire aussi...
Pourquoi l'action condenseImages est-elle incontournable pour vos projets de Computer Vision dans SAS Viya ?
Comment optimiser l'empreinte mémoire sur vos plans de données lors de la reconstruction d'images massives ?
Quel est le code de référence pour filtrer, condenser et sauvegarder des images couleur haute définition ?
Décodage à la volée : comment extraire et analyser les métadonnées de vos images condensées ?