博客二 ：Tensorflow_-图像处理之图像的基本操作

在上篇的博客中写道对图像的编码处理，是对图像数据化预处理的第一步。在我们处理好图像的编码问题后，下面要进行的是对图像的基本操作，例如旋转，放大缩小，亮度，饱和度，色相等基本处理，还有就是在图像识别中常见的加标注框操作。因为对图像的众多操作后，可以增加图像的种类，也就是神经网络的输入数据，可以使得神经网络对各种图像的识别均有效果。

话不多说，直接上今天辛苦搞了一上午的代码：

#!/usr/bin/env  python
# -*- coding:utf-8 -*-
#导入必要包
import matplotlib.pyplot as plt
import tensorflow as tf
#从本地磁盘读取图像数据
image_raw_data = tf.gfile.FastGFile("C:/path/to/picture.jpg", 'rb').read()
#创建会话，使用tf.image.decode_jpeg 解码jpg格式图片  tf.image.decode_png解码png格式图片
with tf.Session() as sess:
    img_data = tf.image.decode_jpeg(image_raw_data)

    #在神经网络处理图像时，使用的数据都是实数类型，而图片的像素取值为0-255，所以需要先进行0-1值域的转化
    img_data1 = tf.image.convert_image_dtype(img_data, dtype=tf.float32)

    #调整图片的大小，参数说明：图像，调整大小，使用算法 0-双线性插值法  1-最近邻居法 2-双三次插值法 3-面积插值法
    resized1 = tf.image.resize_images(img_data1, [300, 300], method=0)
    resized2 = tf.image.resize_images(img_data1, [300, 300], method=1)
    resized3 = tf.image.resize_images(img_data1, [300, 300], method=2)
    resized4 = tf.image.resize_images(img_data1, [300, 300], method=3)

    #以图片的剪裁实现图片大小的调整
    croped = tf.image.resize_image_with_crop_or_pad(img_data1, 500, 500)
    padded = tf.image.resize_image_with_crop_or_pad(img_data1, 2000, 2000)

    #以图像的比例0-1调整图像的大小.  指定区域图像的裁剪、填充tf.image.crop_to_bounding_box  \  tf.image.pad_to_bounding_box
    central_cropped = tf.image.central_crop(img_data1, 0.5)

    #图像翻转
    flipped1 = tf.image.flip_up_down(img_data1)
    flipped2 = tf.image.flip_left_right(img_data1)
    flipped3 = tf.image.transpose_image(img_data1)
    #随机概率翻转
    flipped4 = tf.image.random_flip_up_down(img_data1)
    flipped5 = tf.image.random_flip_left_right(img_data1)

    #亮度的调整
    adjusted1 = tf.image.adjust_brightness(img_data1, -0.5)
    adjusted2 = tf.image.adjust_brightness(adjusted1, 0.8)
    adjusted3 = tf.clip_by_value(adjusted2, 0.0, 1.0)   #截断，防止亮度调整过度，拉回0-1

    #对比度的调整
    adjusted4 = tf.image.random_contrast(img_data1, 0.5, 2)   #随机0.5-2

    #色相的调整
    adjusted5 = tf.image.adjust_hue(img_data1, 0.5)
    adjusted6 = tf.image.random_hue(img_data1, 0.4)   #随机0-0.8

    #饱和度调整
    adjusted7 = tf.image.adjust_saturation(img_data1, 5)
    adjusted8 = tf.image.random_saturation(img_data1, 2, 10)
    #标准化
    adjusted9 = tf.image.per_image_standardization(img_data1)

    #标注框tf.image.draw_bounding_boxes函数需要图像矩阵输入为实数tf.image.convert_image_dtype(img_data)，且是一个4维的矩阵batch，所以需要矩阵加一
    img_data2 = tf.image.resize_images(img_data1, [250, 150], method=1)
    batched = tf.expand_dims(tf.image.convert_image_dtype(img_data2, tf.float32), 0)  #数据处理
    boxs = tf.constant([[[0.05, 0.05, 0.9, 0.7], [0.35, 0.47, 0.5, 0.56]]])  #定义框的位置--比例定义坐标起止点
    result = tf.image.draw_bounding_boxes(batched, boxs)
    result = tf.reduce_sum(result, 0)       #降维处理
    #tf.image.sample_distroted_bounding_box完成随机图像截取
    boxes = tf.constant([[[0.05, 0.05, 0.9, 0.7], [0.32, 0.47, 0.5, 0.56]]])
    begin, size, bbox_for_draw = tf.image.sample_distorted_bounding_box(tf.shape(img_data2), bounding_boxes=boxes, min_object_covered=0.4)  ##框，框中比例
    batched1 = tf.expand_dims(tf.image.convert_image_dtype(img_data2, tf.float32), 0)
    image_with_box = tf.image.draw_bounding_boxes(batched1, bbox_for_draw)
    image_with_box = tf.reduce_sum(image_with_box, 0)   #
    distorted_image = tf.slice(img_data1, begin, size)
    distorted_image = tf.reduce_sum(distorted_image, 0)   #

    #多张图片在一起打开展示
    plt.figure()
    plt.subplot(5, 6, 1)
    plt.imshow(img_data.eval())
    plt.subplot(5, 6, 2)
    plt.imshow(resized1.eval())
    plt.subplot(5, 6, 3)
    plt.imshow(resized2.eval())
    plt.subplot(5, 6, 4)
    plt.imshow(resized3.eval())
    plt.subplot(5, 6, 5)
    plt.imshow(resized4.eval())
    plt.subplot(5, 6, 6)
    plt.imshow(croped.eval())
    plt.subplot(5, 6, 7)
    plt.imshow(padded.eval())
    plt.subplot(5, 6, 8)
    plt.imshow(central_cropped.eval())
    plt.subplot(5, 6, 9)
    plt.imshow(flipped1.eval())
    plt.subplot(5, 6, 10)
    plt.imshow(flipped2.eval())
    plt.subplot(5, 6, 11)
    plt.imshow(flipped3.eval())
    plt.subplot(5, 6, 12)
    plt.imshow(flipped4.eval())
    plt.subplot(5, 6, 13)
    plt.imshow(flipped5.eval())
    plt.subplot(5, 6, 14)
    plt.imshow(adjusted1.eval())
    plt.subplot(5, 6, 15)
    plt.imshow(adjusted2.eval())
    plt.subplot(5, 6, 16)
    plt.imshow(adjusted3.eval())
    plt.subplot(5, 6, 17)
    plt.imshow(adjusted4.eval())
    plt.subplot(5, 6, 18)
    plt.imshow(adjusted5.eval())
    plt.subplot(5, 6, 19)
    plt.imshow(adjusted6.eval())
    plt.subplot(5, 6, 20)
    plt.imshow(adjusted7.eval())
    plt.subplot(5, 6, 21)
    plt.imshow(adjusted8.eval())
    plt.subplot(5, 6, 22)
    plt.imshow(adjusted9.eval())
    plt.show()
    plt.figure()
    plt.subplot(1, 2, 1)
    plt.imshow(result.eval())
    plt.subplot(1, 2, 2)
    plt.imshow(image_with_box.eval())
    plt.show()

代码中有详细的批注，大家可以理解。不懂的可以留言讨论。

其实，这跟书上的略有不同。因为按照书上的代码，进行result的imshow()显示的时候，报了如下的错误：

根据错误得提示，我们可以发现，是imshow(result）的时候提示result的维度不匹配的问题。因为我们再处理时对图片的数据进行了加维的操作，就是说result这时候是一个四维的结果，但是呢，imshow()函数能够识别的是二维和三维的数据，所以需要对其进行降维操作。在后面得随机框中是一样的道理。所以使用了reduce_sum（result，0）函数来降维。

还有一点需要提醒是：在框时，需要提前对图像进行压缩（裁剪）处理，因为小图片的框易于显示，否则你只有将图片拉大后才能看清框在哪，有的时候还会没有。其他的就没有什么需要注意的地方。

最后来看看我们的运行结果吧，色彩很绚丽哦，个人比较喜欢紫色的呢。

目前还是指定区域框选，那天有兴趣研究下，自动识别轮廓框选，这样是不是就是人脸识别了呢？哈哈哈

转载于:https://my.oschina.net/u/3770644/blog/3036645