Pycaffe测试：图片读取，预处修正等。

在测试时，imagedata层有时候需要一些不支持的功能，需要修改底层文件，麻烦，后面直接调pycaffe完成。
调用caffe测试时，prototxt文件还需要保留imagedata层，本文中，prototxt文件输入如下

name: 'cls-v3'
input_name:'data'
input_shape{
dims:1
dims:3
dims:16
dims:16
}

导入pycaffe，读取模型。

# -*- coding: utf-8 -*-
#encoding: utf-8


import sys
import cv2
import numpy as np
import os
from PIL import Image
import io

#引入pycaffe 用于测试
caffe_path = r'caffe/python/'
sys.path.insert(0, caffe_path)
import caffe

caffe_proto_path = "model.prototxt"
caffe_model_path = "model.caffemodel"

#设置GPU
#caffe.set_mode_cpu()
caffe.set_mode_gpu()
caffe.set_device(0)

#前向测试
net = caffe.Net(caffe_proto_path, caffe_model_path, caffe.TEST)

输入数据预处理

# 设定图片的shape格式为网络data层格式
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})

# 改变维度的顺序，由原始图片维度(width, height, channel)变为(channel, width, height)
transformer.set_transpose('data', (2,0,1))

# 减去均值,注意要先将binaryproto格式均值文件转换为npy格式[此步根据训练model时设置可选]
transformer.set_mean('data', np.array([0.406, 0.456, 0.485])) # [103.53,116.28,123.675])
transformer.set_input_scale('data', 1.0)
# transformer.set_input_scale('data', 0.00392156862745)
# transformer.set_mean('data', np.load(mean_file_path).mean(1).mean(1))

#caffe.io.load_image()读入的像素值是[0-1]之间，且通道顺序为RGB，而caffe内部的数据格式是BGR，因此需要进行如下操作，
#若是使用opencv打开图片，则无需进行如下操作。

# 缩放到[0，255]之间，根据模型输入需要是否开启
# transformer.set_raw_scale('data', 255)

# 交换通道，将图片由RGB变为BGR
transformer.set_channel_swap('data', (2,1,0))

前向读取结果

将加载的图片送入模型，保存前向结果

test_file_path = 'image_list.txt'
save_result  = io.open('model_precision.txt', mode='w+', encoding ='utf-8')

test_image_list = io.open(test_file_path, mode='r',encoding ='utf-8')
lines1 = test_image_list.readlines()

img_list = list()
name_list=list()
for line1 in lines1:
	image_path = line1.split(' ')[0]
	
	# 加载图片
	img = caffe.io.load_image(image_path)
	current_num +=1


	if current_num % batch_num != 0:
		img_list.append(transformer.preprocess('data', img))
		name_list.append(image_path)
	else:
		img_list.append(transformer.preprocess('data', img))
		name_list.append(image_path)

		net.blobs['data'].data[...] = img_list
		net.forward()

		for j in range(batch_num):
			out_result_part = name_list[j]
			out_prob = output['prob'][0]# prob vector
			label = out_prob.argmax()#输出最大概率的那一类
			prob = out_prob[label]# the prob value correspoding to the predict catogory
			print(out_result_part, label, prob)
			
			# 保存所有结果 置信度
			for i in net.blobs['prob'].data[j, :, 0, 0]:
				out_result_part += ' ' + str(i)

			save_result.write(u'{}\n'.format(out_result_part))
		a = list()
		name_list = list()

print(num, current_num)

加载图片方式

cv2.imread() ：BGR 0-255

如果用cv2.imread()接口读图像，读进来直接是BGR 格式and 0~255
所以不需要再缩放到【0,255】和通道变换【2,1,0】
不需要transformer.set_raw_scale(‘data’,255)和transformer.set_channel_swap(‘data’,(2,1,0)

caffe.io.load_image()：RGB float 0-1

若是caffe.io.load_image()读进来是RGB格式和0~1(float）
所以在进行特征提取之前要在transformer中设置transformer.set_raw_scale(‘data’,255)(缩放至0~255）
以及transformer.set_channel_swap(‘data’,(2,1,0)(将RGB变换到BGR）

skimage.io.imread()：unit8 0-255

skimage.io.imread得到的是uint8的数据，实际使用时需要注意格式转换！

#读取图片
img=skimage.io.imread(img_path), uint8,0-255
img=caffe.io.load_image(img_path), float,0-1

# 值转换到255
img=skimage.io.imread(img_path),uint8,0-255
img=caffe.io.load_image(img_path)*255,float,0-255

#减均值
img1=skimage.io.imread(img_path)-mean,uint8,0-255
img2=caffe.io.load_image(img_path)*255-mean,float,0-255

# 如果均值为int型，img1有可能依然是int8类型，导致很多数值变为0，结果全部错误。---这个导致无论输入什么，输出类别和置信度等都是一模一样。
#此时看似没什么问题。但是第一种方式，减掉均值后，很多地方变成0了。这个在对整图操作时，可能影响还不大，但是如果你要考虑局部的信息，比如像素点的局部信息，此时你就等着吧，绝对因为大部分是0，什么都没有了。
# 而第二种情况，因为是浮点数，减均值后还是有值的，在0附近的小数，于是这个还是比较正常的输入值，对DL来说，当你定位到局部信息时，还是比较真实的。

#正确方式
img=(skimage.io.imread(img_path))*1.0,uint8,0-255
img=caffe.io.load_image(img_path)*255,float,0-255

读入的为int格式，需要转为float格式，否则会导致结果都为0。

使用PIL来读取图片

对于彩色图像，不管其图像格式是PNG，还是BMP，或者JPG，在PIL中，使用Image模块的open()函数打开后，返回的图像对象的模式都是“RGB”。而对于灰度图像，不管其图像格式是PNG，还是BMP，或者JPG，打开后，其模式为“L”。所以需要转换格式，但不需要缩放到[0，255]

data = np.array(Image.open(self.dataRoot+img_list))
data = np.transpose(data,(2,0,1))#转换通道
data[[0,2],...] = data[[2,0],...] #RGB→BGR

参考文章：
https://lavi-liu.blog.csdn.net/article/details/80171494
https://blog.csdn.net/smf0504/article/details/60138863