利用tensorflow训练自己的图片数据（2）——输入图片处理

一. 说明

在上一博客，利用tensorflow训练自己的图片数据（1）中，我们已经得到了后续训练需要的图片的指定shape大小；接下来我们需要做的就是对指定大小的生成图片进行sample与label分类制作，获得神经网络输入的get_files文件，同时为了方便网络的训练，输入数据进行batch处理。

二. 编程实现

[python]  view plain  copy

1. <span style="font-size:18px;">import os  
2. import math  
3. import numpy as np  
4. import tensorflow as tf  
5. import matplotlib.pyplot as plt  
6.   
7. #============================================================================  
8. #-----------------生成图片路径和标签的List------------------------------------  
9.   
10. train_dir = 'E:/Re_train/image_data/inputdata'  
11.   
12. husky = []  
13. label_husky = []  
14. jiwawa = []  
15. label_jiwawa = []  
16. poodle = []  
17. label_poodle = []  
18. qiutian = []  
19. label_qiutian = []  
20.   
21. #step1：获取'E:/Re_train/image_data/training_image'下所有的图片路径名，存放到  
22. #对应的列表中，同时贴上标签，存放到label列表中。  
23. def get_files(file_dir, ratio):  
24.     for file in os.listdir(file_dir+'/husky'):  
25.         husky.append(file_dir +'/husky'+'/'+ file)   
26.         label_husky.append(0)  
27.     for file in os.listdir(file_dir+'/jiwawa'):  
28.         jiwawa.append(file_dir +'/jiwawa'+'/'+file)  
29.         label_jiwawa.append(1)  
30.     for file in os.listdir(file_dir+'/poodle'):  
31.         poodle.append(file_dir +'/poodle'+'/'+ file)   
32.         label_poodle.append(2)  
33.     for file in os.listdir(file_dir+'/qiutian'):  
34.         qiutian.append(file_dir +'/qiutian'+'/'+file)  
35.         label_qiutian.append(3)  
36.   
37. #step2：对生成的图片路径和标签List做打乱处理把cat和dog合起来组成一个list（img和lab）  
38.     image_list = np.hstack((husky, jiwawa, poodle, qiutian))  
39.     label_list = np.hstack((label_husky, label_jiwawa, label_poodle, label_qiutian))  
40.   
41.     #利用shuffle打乱顺序  
42.     temp = np.array([image_list, label_list])  
43.     temp = temp.transpose()  
44.     np.random.shuffle(temp)  
45.       
46.     #从打乱的temp中再取出list（img和lab）  
47.     #image_list = list(temp[:, 0])  
48.     #label_list = list(temp[:, 1])  
49.     #label_list = [int(i) for i in label_list]  
50.     #return image_list, label_list  
51.       
52.     #将所有的img和lab转换成list  
53.     all_image_list = list(temp[:, 0])  
54.     all_label_list = list(temp[:, 1])  
55.   
56.     #将所得List分为两部分，一部分用来训练tra，一部分用来测试val  
57.     #ratio是测试集的比例  
58.     n_sample = len(all_label_list)  
59.     n_val = int(math.ceil(n_sample*ratio))   #测试样本数  
60.     n_train = n_sample - n_val   #训练样本数  
61.   
62.     tra_images = all_image_list[0:n_train]  
63.     tra_labels = all_label_list[0:n_train]  
64.     tra_labels = [int(float(i)) for i in tra_labels]  
65.     val_images = all_image_list[n_train:-1]  
66.     val_labels = all_label_list[n_train:-1]  
67.     val_labels = [int(float(i)) for i in val_labels]  
68.   
69.     return tra_images, tra_labels, val_images, val_labels  
70.       
71.       
72. #---------------------------------------------------------------------------  
73. #--------------------生成Batch----------------------------------------------  
74.   
75. #step1：将上面生成的List传入get_batch() ，转换类型，产生一个输入队列queue，因为img和lab  
76. #是分开的，所以使用tf.train.slice_input_producer()，然后用tf.read_file()从队列中读取图像  
77. #   image_W, image_H, ：设置好固定的图像高度和宽度  
78. #   设置batch_size：每个batch要放多少张图片  
79. #   capacity：一个队列最大多少  
80. def get_batch(image, label, image_W, image_H, batch_size, capacity):  
81.     #转换类型  
82.     image = tf.cast(image, tf.string)  
83.     label = tf.cast(label, tf.int32)  
84.   
85.     # make an input queue  
86.     input_queue = tf.train.slice_input_producer([image, label])  
87.   
88.     label = input_queue[1]  
89.     image_contents = tf.read_file(input_queue[0]) #read img from a queue    
90.       
91. #step2：将图像解码，不同类型的图像不能混在一起，要么只用jpeg，要么只用png等。  
92.     image = tf.image.decode_jpeg(image_contents, channels=3)   
93.       
94. #step3：数据预处理，对图像进行旋转、缩放、裁剪、归一化等操作，让计算出的模型更健壮。  
95.     image = tf.image.resize_image_with_crop_or_pad(image, image_W, image_H)  
96.     image = tf.image.per_image_standardization(image)  
97.   
98. #step4：生成batch  
99. #image_batch: 4D tensor [batch_size, width, height, 3],dtype=tf.float32   
100. #label_batch: 1D tensor [batch_size], dtype=tf.int32  
101.     image_batch, label_batch = tf.train.batch([image, label],  
102.                                                 batch_size= batch_size,  
103.                                                 num_threads= 32,   
104.                                                 capacity = capacity)  
105.     #重新排列label，行数为[batch_size]  
106.     label_batch = tf.reshape(label_batch, [batch_size])  
107.     image_batch = tf.cast(image_batch, tf.float32)  
108.     return image_batch, label_batch              
109.   
110. #========================================================================</span>  

通过上面的函数的定义，便民可以得到神经网络的输入数据：image_batch，label_batch。

三. 几点补充

1. 关于图像尺寸调整

图像尺寸调整属于基础的图像几何变换，TensorFlow提供了几种尺寸调整的函数： 
tf.image.resize_images：将原始图像缩放成指定的图像大小，其中的参数method（默认值为ResizeMethod.BILINEAR）提供了四种插值算法，具体解释可以参考图像几何变换（缩放、旋转）中的常用的插值算法 
tf.image.resize_image_with_crop_or_pad：剪裁或填充处理，会根据原图像的尺寸和指定的目标图像的尺寸选择剪裁还是填充，如果原图像尺寸大于目标图像尺寸，则在中心位置剪裁，反之则用黑色像素填充。 
tf.image.central_crop：比例调整，central_fraction决定了要指定的比例，取值范围为(0，1]，该函数会以中心点作为基准，选择整幅图中的指定比例的图像作为新的图像。

注：可参考博客http://blog.csdn.net/chaipp0607/article/details/73029923

2. hstack()函数的使用

函数原型：hstack(tup) ，参数tup可以是元组，列表，或者numpy数组，返回结果为numpy的数组。它其实就是水平(按列顺序)把数组给堆叠起来，vstack()函数正好和它相反。

[python]  view plain  copy

1. import numpy as np  
2. a=[1,2,3]  
3. b=[4,5,6]  
4. print(np.hstack((a,b)))  
5.   
6. 输出：[1 2 3 4 5 6 ]