博客四--Tensorflow图像数据的随机预处理过程

在只有一张图片，或者图片样本需要扩展时。可以使用如下代码实现图片的扩展.因为处理顺序不同，得到的图片效果会不同。所以一共有16种排序。就不一一列出。主要代码如下：

#!/usr/bin/env  python
# -*- coding:utf-8 -*-
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
#不同处理顺序得到的图片处理结果不同

def distort_color(image, color_ordering=0):
    if color_ordering == 0:
        image = tf.image.random_flip_up_down(image)    #50%概率上下翻转
        image = tf.image.random_flip_left_right(image)   #50%概率左右翻转
        image = tf.image.random_brightness(image, max_delta=32./255.)     #随机亮度
        image = tf.image.random_saturation(image, lower=0.5, upper=1.5)     #随机饱和度
        image = tf.image.random_hue(image, max_delta=0.2)                   #随机色相
        image = tf.image.random_contrast(image, lower=0.5, upper=1.5)         #随机对比度
    elif color_ordering == 1:
        image = tf.image.random_flip_up_down(image)  # 50%概率上下翻转
        image = tf.image.random_brightness(image, max_delta=32. / 255.)  # 随机亮度
        image = tf.image.random_flip_left_right(image)  # 50%概率左右翻转
        image = tf.image.random_saturation(image, lower=0.5, upper=1.5)  # 随机饱和度
        image = tf.image.random_hue(image, max_delta=0.2)  # 随机色相
        image = tf.image.random_contrast(image, lower=0.5, upper=1.5)  # 随机对比度
    elif  color_ordering == 2:
        image = tf.image.random_flip_up_down(image)  # 50%概率上下翻转
        image = tf.image.random_brightness(image, max_delta=32. / 255.)  # 随机亮度
        image = tf.image.random_saturation(image, lower=0.5, upper=1.5)  # 随机饱和度
        image = tf.image.random_flip_left_right(image)  # 50%概率左右翻转
        image = tf.image.random_hue(image, max_delta=0.2)  # 随机色相
        image = tf.image.random_contrast(image, lower=0.5, upper=1.5)  # 随机对比度

    return tf.clip_by_value(image, 0.0, 1.0)

def preprocess_for_train(image, height, width, bbox):
    if bbox is None:
        bbox = tf.constant([0.0, 0.0, 1.0, 1.0], dtype=tf.float32, shape=[1, 1, 4])
    if image.dtype != tf.float32:
        image = tf.image.convert_image_dtype(image, dtype=tf.float32)

    #随机截取图像，减小需要关注的大小对图像识别的影响
    #bbox_begin, bbox_size, _ = tf.image.sample_distorted_bounding_box(tf.shape(image), bounding_boxes=bbox)
    #distorted_image = tf.slice(image, bbox_begin, bbox_size)

    #将截取结果调整为神经网络的输入层大小，大小调整算法随机
    image = tf.image.resize_images(
       image, [height, width], method=np.random.randint(4)
    )
    #选择一种顺序
    distorted_image = distort_color(image, np.random.randint(3))
    return distorted_image
image_raw_data = tf.gfile.FastGFile(r"C:\Users\SUM\Desktop\ceshipiture\_001a_0.png", 'rb').read()
with tf.Session() as sess:
    img_data = tf.image.decode_png(image_raw_data)
    boxes = tf.constant([[[0.0, 0.0, 1.0, 1.0]]])
    for i in range(10):
       result = preprocess_for_train(img_data, 100, 200, boxes)

       plt.imshow(result.eval())
       plt.show()

注意的是，在指定路径时需要将其字符串化，否则会报如下错误：

解决的办法就是在路径前加‘r’以字符串化。

转载于:https://my.oschina.net/u/3770644/blog/3037860