您的位置:首页 > 其它

使用TensorFlow进行简单的图像处理

2018-01-21 11:18 821 查看

使用TensorFlow进行简单的图像处理

概述

作为计算机视觉开发者,使用TensorFlow进行简单的图像处理是基本技能,而TensorFlow在tf.image包中支持对图像的常见的操作包括:

亮度调整

对比度调整

饱和度调整

图像采样插值放缩

色彩空间转换

Gamma校正

标准化

图像的读入与显示我们通过OpenCV来实现,这里需要注意一点,OpenCV中图像三个通道是BGR,如果你是通过tensorflow读取的话三个通过顺序是RGB。图像读取的代码如下:

1.opencv方式

src = cv.imread("D:/vcprojects/images/meinv.png")


2.tensorflow方式

jpg = tf.read_file("D:/vcprojects/images/yuan_test.png")
img = tf.image.decode_jpeg(jpg, channels=3)


3.使用OpenCV显示图像

def show_image(image, title='input'):
print("result : \n", image)
cv.namedWindow(title, cv.WINDOW_AUTOSIZE)
cv.imshow(title, image)
cv.waitKey(0)
cv.destroyAllWindows()


原图显示如下:



1.放缩图像

支持三种方式,分别是临界点插值、双线性插值与双立方插值,不过我发现在使用双立方插值的时候,tensorflow处理之后图像总是会出现一些噪点,这个算不算它的BUG

- tf.image.resize_nearest_neighbor # 临界点插值

- tf.image.resize_bilinear # 双线性插值

- tf.image.resize_bicubic # 双立方插值算法

演示代码如下:

src = cv.imread("D:/vcprojects/images/meinv.png")
cv.imshow("input", src)
h, w, depth = src.shape
src = np.expand_dims(src, 0)
print(src.shape)
bi_image = tf.image.resize_bilinear(src, size=[h*2, w*2])
bi_image = tf.squeeze(bi_image)
bi_result = sess.run(bi_image)
bi_result = np.uint8(bi_result)
show_image(bi_result,"bilinear-zoom")


显示图像如下:



2.图像亮度调整

图像亮度是图像基本属性之一,tensorflow支持两种方式API对图像亮度进行调整

- tf.image.adjust_brightness

- tf.image.random_brightness

使用上述API的时候需要对图像进行维度添加为四维的tensor数据,完整的图像亮度调整的代码如下:

src = cv.imread("D:/vcprojects/images/meinv.png")
src = np.expand_dims(src, 0)
brightness = tf.image.adjust_brightness(src, delta=.5)
brightness = tf.squeeze(brightness)
result = sess.run(brightness)
result = np.uint8(result)
show_image(result, "brightness demo")


显示图像如下:



3.图像对比度调整

图像对比度是图像基本属性之一,tensorflow支持两种方式API对图像对比度进行调整

- tf.image.adjust_contrast

- tf.image.random_contrast

前面一种全局调整,后面一种方式是随机调整,对比度调整的代码演示如下:

src = cv.imread("D:/vcprojects/images/meinv.png")
src = np.expand_dims(src, 0)
contrast = tf.image.adjust_contrast(src, contrast_factor=2.2)
contrast = tf.squeeze(contrast)
result = sess.run(contrast)
result = np.uint8(result)
show_image(result, "contrast demo")


显示图像如下:



4.图像gamma校正

伽玛校正就是对图像的伽玛曲线进行编辑,以对图像进行非线性色调编辑的方法,检出图像信号中的深色部分和浅色部分,并使两者比例增大,从而提高图像的对比度。相关API为:

- tf.image.adjust_gamma

常见gamma的取值范围为0.05~5之间,tensorflow实现gamma校正的代码演示如下:

src = cv.imread("D:/vcprojects/images/meinv.png")
src = np.expand_dims(src, 0)
contrast = tf.image.adjust_gamma(src, gain=1.0, gamma=4.2)
contrast = tf.squeeze(contrast)
result = sess.run(contrast)
result = np.uint8(result)
show_image(result, "gamma demo")


显示图像如下:



5.图像饱和度调整

图像饱和度是图像HSV色彩空间最常见的指标之一,通过调整图像饱和度可以得到更加自然光泽的图像,tensorflow中饱和度调整的API如下:

tf.image.adjust_saturation

常见的饱和度调整范围在0~5之间取值即可,演示代码如下:

src = cv.imread("D:/vcprojects/images/meinv.png")
contrast = tf.image.adjust_saturation(src, saturation_factor=2.2)
result = sess.run(contrast)
result = np.uint8(result)
show_image(result, "saturation demo")


这里要特别说明一下,饱和度调整不支持4D tensor对象,所以读入的RGB图像即可“`。无需再次进行维度增加操作。最终调整之后的演示图像如下:



6.图像标准化

这个在tensorflow中对图像数据训练之前,经常会进行此步操作,它跟归一化是有区别的。归一化的图像直方图不会改变,标准化会改变图像直方图分布,标准化API如下:

- tf.image.per_image_standardization

图像标准化实现代码如下:

src = cv.imread("D:/vcprojects/images/meinv.png")
contrast = tf.image.per_image_standardization(src)
result = sess.run(contrast)
result = np.uint8(result)
show_image(result, "standardization demo")


演示结果如下:



7.图像色彩空间转换

tensorflow支持常见图像色彩空间转换,包括RGB、HSV、灰度色彩空间,相关API如下:

- tf.image.rgb_ to_hsv

- tf.image.rgb_ to_grayscale

- tf.image.hsv_ to_rgb

将图像从RGB色彩空间转换到灰度空间的代码演示如下:

src = cv.imread("D:/vcprojects/images/meinv.png")
gray = tf.image.rgb_to_grayscale(src)
result = sess.run(gray)
result = np.uint8(result)
show_image(result, "gray - demo")


结果显示如下:



小结

tensorflow中还提供一些其他的图像操作相关API,比如裁剪、填充、随机调整亮度、对比度等,还有非最大信号压制等操作,感兴趣的可以自己进一步学习。

欢迎关注微信公众号

【OpenCV学堂】
内容来自用户分享和网络整理,不保证内容的准确性,如有侵权内容,可联系管理员处理 点击这里给我发消息
标签: 
相关文章推荐