『TensorFlow』第九弹_图像预处理_不爱红妆爱武装

部分代码单独测试：

这里实践了图像大小调整的代码，值得注意的是格式问题：

输入输出图像时一定要使用uint8编码，

但是数据处理过程中TF会自动把编码方式调整为float32,所以输入时没问题，输出时要手动转换回来！使用numpy.asarray(dtype)或者tf.image.convert_image_dtype(dtype)都行

都行 1 import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt

# 使用'r'会出错，无法解码，只能以2进制形式读取
# img_raw = tf.gfile.FastGFile('./123.png','rb').read()
img_raw = open('./123.png','rb').read()

# 把二进制文件解码为uint8
img_0 = tf.image.decode_png(img_raw)
# 不太必要了，可以用np直接转换了
# img_1 = tf.image.convert_image_dtype(img_0,dtype=tf.uint8)

sess = tf.Session()
print(sess.run(img_0).shape)
# plt.imshow(sess.run(img_0))
# plt.show()

def show_pho(img,sess=sess):
'''
TF处理过的图片自动转换了类型，需要调整回uint8才能正常显示
:param sess:
:param img:
:return:
'''
cat = np.asarray(sess.run(img),dtype='uint8')
print(cat.shape)
plt.imshow(cat)
plt.show()

'''调整图像大小'''
# 插值尽量保存原图信息
img_1 = tf.image.resize_images(img_0,[500,500],method=3)
# show_pho(img_1)

# 裁剪或填充
# 自动中央截取
img_2 = tf.image.resize_image_with_crop_or_pad(img_0,500,500)
# show_pho(img_2)
# 自动四周填充[0,0,0]
img_3 = tf.image.resize_image_with_crop_or_pad(img_0,2500,2500)
# show_pho(sess,img_3)

# 比例中央裁剪
img_4 = tf.image.central_crop(img_0,0.5)
# show_pho(img_4)

# 画框裁剪
# {起点高度，起点宽度，框高，框宽}
img_5 = tf.image.crop_to_bounding_box(img_0,700,300,500,500)
show_pho(img_5)

完整的图像预处理函数：

处理单张图片

import tensorflow as tf
import numpy as np
# import matplotlib.pyplot as plt

def distort_color(image, color_ordering=0):
'''
随机调整图片的色彩，定义两种处理顺序。
注意，对3通道图像正常，4通道图像会出错，自行先reshape之
:param image:
:param color_ordering:
:return:
'''
if color_ordering == 0:
image = tf.image.random_brightness(image, max_delta=32./255.)
image = tf.image.random_saturation(image, lower=0.5, upper=1.5)
image = tf.image.random_hue(image, max_delta=0.2)
image = tf.image.random_contrast(image, lower=0.5, upper=1.5)
else:
image = tf.image.random_saturation(image, lower=0.5, upper=1.5)
image = tf.image.random_brightness(image, max_delta=32./255.)
image = tf.image.random_contrast(image, lower=0.5, upper=1.5)
image = tf.image.random_hue(image, max_delta=0.2)

return tf.clip_by_value(image, 0.0, 1.0)

def preprocess_for_train(image, height, width, bbox):
'''
对图片进行预处理，将图片转化成神经网络的输入层数据。
:param image:
:param height:
:param width:
:param bbox:
:return:
'''
# 查看是否存在标注框。
if image.dtype != tf.float32:
image = tf.image.convert_image_dtype(image, dtype=tf.float32)

# 随机的截取图片中一个块。
bbox_begin, bbox_size, _ = tf.image.sample_distorted_bounding_box(
tf.shape(image), bounding_boxes=bbox)
bbox_begin, bbox_size, _ = tf.image.sample_distorted_bounding_box(
tf.shape(image), bounding_boxes=bbox)
distorted_image = tf.slice(image, bbox_begin, bbox_size)

# 将随机截取的图片调整为神经网络输入层的大小。
distorted_image = tf.image.resize_images(distorted_image, [height, width], method=np.random.randint(4))
distorted_image = tf.image.random_flip_left_right(distorted_image)
distorted_image = distort_color(distorted_image, np.random.randint(2))
return distorted_image

def pre_main(img,bbox=None):
if bbox is None:
bbox = tf.constant([0.0, 0.0, 1.0, 1.0], dtype=tf.float32, shape=[1, 1, 4])
with tf.gfile.FastGFile(img, "rb") as f:
image_raw_data = f.read()
with tf.Session() as sess:
img_data = tf.image.decode_jpeg(image_raw_data)
for i in range(9):
result = preprocess_for_train(img_data, 299, 299, bbox)
# {wb打开文件{矩阵编码为jpeg{格式转换为uint8}}.eval()}
with tf.gfile.FastGFile('./代号{}.jpeg'.format(i),'wb') as f:
f.write(sess.run(tf.image.encode_jpeg(tf.image.convert_image_dtype(result,dtype=tf.uint8))))
# plt.imshow(result.eval())
# plt.axis('off')
# plt.savefig('代号{}'.format(i))

if __name__=='__main__':
pre_main("./123123.jpeg",bbox=None)
exit()