第五课：推理结果的可视化
处理推理结果
在上一课时中，已经通过 Inference 获取到了识别结果，存放在三个数组里：
float[] boxes = new float[100 * 4];
float[] scores = new float[100];
float[] classes = new float[100];那么数据的结构是这样的，第一个识别物体的类别是 classes[0]，分数为 scores[0]，物体的位置（top、left、bottom、right）为（boxes[0]、boxes[1]、boxes[2]、boxes[3]）依次类推。 但是要注意的是物体的位置的值是 Normalized 的，还需要特殊处理一下。
Normalize 也叫标准化、正则化，或者归一化，是机器学习中的一个重要概念，在这里不做更多的深入的探讨，只需要记住它的作用是把一个数值按照一定算法投影到（0，1] 这个区间里面，这是一个在机器学习中会经常碰到的术语。
因为物体位置的数值是 Normalized 的，它们都是（0，1]区间里面的小数，而我们输入的图片是 300×300 的尺寸，所以需要把这些值都乘以 300 来获取它在图片里面的真实位置。那么现在可以得出，在输出数据中第 i（i 从 0 开始）个识别得物体的数据为：
- 分数： scores[i]
- 物体名称： labels[classes[i]] (labels 为之前从labels.txt中读取的标签数组）
- 物体位置：（boxes[i] * 300, boxes[i + 1] * 300, boxes[i+ 2] * 300, boxes[i + 3] *300）
接下来我们需要把得分低的输出项剔除掉，这个分数是（0，1]之间的一个数（看，也是 Normalized 的），越高越好。如果模型推理出来一个物体是人，但是得分只有 0.1，那么实际上有可能这个物体不是人。所以我们需要有一个分数的阈值，大于这个阈值的识别结果才被认为是正确的。这个阈值的选择是一个经验问题，在这里选择 0.6 作为分数的阈值，这样就把那些我们认为识别度不够的结果排除了。同时之前为 100 个识别结果分配了存储空间，如果识别结果中的物体小于 100，那么有一些数组元素就是空值（0），这样的话我们把这些空值也排除掉了。
接下来就开始写代码了，在这里写了一个类来封装识别的结果：
public class DetectionResult {
private String label;
private Float score;
private RectF box;
public DetectionResult(String label, Float score, RectF location) {
this.label = label;
this.score = score;
this.box = location;
}
public String getLabel() {
return label;
}
public Float getScore() {
return score;
}
public RectF getBox() {
return box;
}
}这个类代表一个单独的被识别出来的物体，接下来根据识别结果来生成 DetectionResult 的 List：
List<DetectionResult> results = new ArrayList<>();
for (int i = 0; i < classes.length; i++) {
if (scores[i] > 0.6f) {
RectF box = new RectF(
boxes[4 * i + 1] * 300,
boxes[4 * i] * 300,
boxes[4 * i + 3] * 300,
boxes[4 * i + 2] * 300);
results.add(new DetectionResult(labels.get((int) classes[i]), scores[i], box));
}
}注意，RectF 构造函数接受的参数是（left、top、right、bottom），而我们 boxes 数组中的位置是（top、left、bottom、right），传参的时候顺序不要弄错了。
推理结果的可视化
现在有了识别物体的位置和名称，我们只需要在原始图片的相应位置上面画上边框，写上名称就可以啦！
首先将原始图片 copy 一份，然后在这个 copy 上面画上边框，写上名称：
final Bitmap copiedImage = originImage.copy(Bitmap.Config.ARGB_8888, true);获取 Canvas 对象，设置边框的宽度和颜色，设置显示名称的字体大小和颜色：
final Canvas resultCanvas = new Canvas(copiedImage);
final Paint paint = new Paint();
paint.setColor(Color.RED);
paint.setStyle(Paint.Style.STROKE);
paint.setStrokeWidth(5.0f);
Paint textPaint = new Paint();
textPaint.setColor(Color.WHITE);
textPaint.setStyle(Paint.Style.FILL);
textPaint.setTextSize((float) (0.04 * copiedImage.getWidth()));在往 Canvas 上面画图之前，不要忘了输入给模型的是一个根据原始图片经过转换而得到的 300×300 的图片，所以我们识别结果里面的位置指的是物体在这个 300×300 的图片上的位置，如果把这个位置画在原图上面，显然是不正确的。
还记得之前我们转换原始图片时是使用一个矩阵（Matrix）来转换的吗? 现在只需要把这个矩阵 Invert 一下，然后再在我们识别出来物体的位置矩形上面用这个矩阵进行转换，就可以得到物体在原始图片上的位置了！代码如下：
Matrix inputToOrigin = new Matrix();
originToInput.invert(inputToOrigin);获取 Invert 的矩阵之后，就可以依次把识别结果在原图上用方块标识出来了：
for (DetectionResult result : results) {
RectF box = result.getBox();
inputToOrigin.mapRect(box);
resultCanvas.drawRect(box, paint);
resultCanvas.drawText(result.getLabel(), box.left, box.top, textPaint);
}使用 mapRect 方法对矩形框进行转换，同时在框的左上角写上物体的名称，然后调用：
imageView.setImageBitmap(copiedImage);将结果显示在 ImageView 上面。
效果展示
这样就完成了任务，没有任何机器学习基础的我们在 Android 上面实现了一个可以识别静态图片中的物体的应用，来看一下效果吧。
腾讯云开发者
