Tensorflow--图像数据处理

一、TFRecord输入数据格式

Tensorflow提供了同一的数据格式TFRecord来存储数据，TFRecord文件中的数据都是通过tf.train.example Protocol Buffer的格式来存储的。其包含一个从属性名称到取值的字典，属性名称为字符串，取值可以为字符串（BytesList）、实数列表（FloatList）、或者是整数列表（Int64List）。以下为TFRecord的样例程序：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import numpy as np

# 定义函数转化变量类型。
def _int64_feature(value):
return tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))

def _bytes_feature(value):
return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))

mnist = input_data.read_data_sets("C:/path/to/MNIST_data",dtype=tf.uint8,one_hot=True)

images = mnist.train.images
#训练数据所对应的正确答案可以作为一个属性保存在TFRecord中
labels = mnist.train.labels
#训练图像的分辨率还可以作为example的一个属性
pixels = images.shape[1]
num_examples = mnist.train.num_examples

#输出TFRecord文件的地址
filename = "path/to/output.tfrecords"
#创建一个writer来写TFRecord文件
writer = tf.python_io.TFRecordWriter(filename)
for index in range(num_examples):
image_raw = images[index].tostring()

example = tf.train.Example(features=tf.train.Features(feature={
'pixels': _int64_feature(pixels),
'label': _int64_feature(np.argmax(labels[index])),
'image_raw': _bytes_feature(image_raw)
}))
writer.write(example.SerializeToString())
writer.close()
print("TFRecord文件已保存。")

以上程序实现了将MNIST的所有数据存到一个TFRecord的文件里面。下面将介绍如何读取TFRecord文件：

import tensorflow as tf

#创建一个reader来读取TFRecord中的样例
reader = tf.TFRecordReader()
#创建一个队列来维护输入文件列表
#后续会更详细介绍tf.train.string_input_producer函数
filename_queue = tf.train.string_input_producer(["path/to/output.tfrecords"])

#从文件中读出一个样例。也可以用read_up_to函数一次性读取多个样例
_,serialized_example = reader.read(filename_queue)
#解析读入的一个样例。如果需要解析多个样例，也可以用parse_example函数
features = tf.parse_single_example(
serialized_example,
features={
'image_raw':tf.FixedLenFeature([],tf.string),
'pixels':tf.FixedLenFeature([],tf.int64),
'label':tf.FixedLenFeature([],tf.int64),
})

#tf.decode_raw可以将字符串解析成图像对应的像素数组
images = tf.decode_raw(features['image_raw'],tf.uint8)
labels = tf.cast(features['label'],tf.int32)
pixels = tf.cast(features['pixels'],tf.int32)

sess = tf.Session()
#启动多线程处理输入数据
coord = tf.train.Coordinator()
threads = tf.train.start_queue_runners(sess=sess,coord=coord)

#每次运行读取TFRecord文件的一个样例。当所有样例读完之后，在此样例中的程序会从头读取
for i in range(10):
image,label,pixel = sess.run([images,labels,pixels])
print(image,'\n',label,'\n',pixel)