readNet

Net cv::dnn::readNet(const String& model,
const String& config = "",
const String& framework = "")

[in]    model    二进制文件包含训练的权重  The following file extensions are expected for models from different frameworks:

• *.caffemodel (Caffe, http://caffe.berkeleyvision.org/)
• *.pb (TensorFlow, https://www.tensorflow.org/)
• *.t7 | *.net (Torch, http://torch.ch/)
• *.weights (Darknet, https://pjreddie.com/darknet/)
• *.bin (DLDT, https://software.intel.com/openvino-toolkit)
• *.onnx (ONNX, https://onnx.ai/)

[in]    config    文本文件包含网络配置 It could be a file with the following extensions:

• *.prototxt (Caffe, http://caffe.berkeleyvision.org/)
• *.pbtxt (TensorFlow, https://www.tensorflow.org/)
• *.cfg (Darknet, https://pjreddie.com/darknet/)
• *.xml (DLDT, https://software.intel.com/openvino-toolkit)

[in]    framework    明确框架名称标签的格式

 blobFromImage

Mat cv::dnn::blobFromImage(InputArray image,
double 	scalefactor = 1.0,
const Size& size = Size(),
const Scalar& mean = Scalar(),
bool swapRB = false,
bool crop = false,
int ddepth = CV_32F)

 从图像创建4维的blob

• InputArray image 输入图像 (with 1-, 3- or 4-channels)
• double  scalefactor = 1.0 图像值的乘数
• const Size& size = Size() 输出图像的空间大小
• const Scalar& mean = Scalar() 从通道中减去的平均值的标量。 如果图像具有BGR排序且swapRB为真，则值应为（mean-R，mean-G，mean-B）顺序
• bool swapRB = false 表示需要交换3通道图像中的第一个和最后一个通道
• bool crop = false 指示是否在调整大小后裁剪图像
• int ddepth = CV_32F 输出深度blob，Choose CV_32F or CV_8U
• 以上的参数都很好理解，接下来是关于mean参数，如果之前没有深入研究过深度学习，这个还是不太好理解的。首先给出mean的数值：(104 117 123);数字从什么地方来的呢？这个是在googleNet训练的时候设定的，节选部分train_val.prototxt，可以看到在训练的时候transform_param中设置了mean。
  name: "GoogleNet"layer { name: "data" type: "Data" top: "data" top: "label" include { phase: TRAIN } transform_param { mirror: true crop_size: 224 mean_value: 104 mean_value: 117 mean_value: 123 } data_param { source: "examples/imagenet/ilsvrc12_train_lmdb" batch_size: 32 backend: LMDB }}...
  但是为什么这么做呢？关于这么做的原因有两个，其一，数据规整化或者说标准化；熟悉PCA（主成分分析）算法的同学清楚，在PCA中需要对输入数据的特征向量进行规整化，通过预估均值和方差，将其规整化为0均值和单位方差。由于深度学习中，对图片取样很小例如16*16等，各位置方差相差不大。所以方差的规整化意义不大，所以仅对均值进行规整化。 其二，构造0中心分布的数据，使梯度下降算法更有效。均值一般反应为照度，但是图像识别中，对照度一般不敏感，因此去除照度，构造0中心分布的数据，有利于梯度沿最优路线下降。（参考：http://cs231n.github.io/neural-networks-1/）
  以上是关于mean参数的解释。函数源码

参考： 

https://www.pyimagesearch.com/2017/11/06/deep-learning-opencvs-blobfromimage-works/

http://www.jinciwei.cn/l580956.html

https://blog.csdn.net/qq_30815237/article/details/87916157