# tensorflow笔记 # tensorflow 中的图像预处理操作总结

1. 获取图片路径并生成标签列表

1. 获取所有图片文件路径（glob.glob）
2. 根据图片类别(上一层文件夹名)，生成标签列表（并编码成0，1，2…格式）
3. 将一维标签列表转化成二维列表（tf.reshape(test_image_label,[1])）

def get_image_path():
    train_image_path=glob.glob('./data/dc_2000/train/*/*.jpg')
    test_image_path=glob.glob('./data/dc_2000/test/*/*.jpg')
    train_image_label=[1 if elem.split('\\')[1]=='dog' else 0 for elem in train_image_path]
    test_image_label=[1 if elem.split('\\')[1]=='dog' else 0 for elem in train_image_path]
    train_image_label=tf.reshape(train_image_label,[1])
    test_image_label=tf.reshape(test_image_label,[1])
	

2. 图像预处理

1. 以二进制形式读取图片文件（tf.io.read_file(path)）
2. 将二进制文件解码成相应类型的图片（tf.image.decode_jpeg(image,channels=3)注意通道数量）
3. 将图片统一尺寸（tf.image.resize(image,[256,256])）
4. 改变图片每位像素的数据类型（tf.image.cast(image,tf.float32)）
5. 对每张图片的所有像素值进行归一化，除以像素范围最大值（image=image/255）

注：tf.image.convert_image_dtype函数会将图片格式转化为float32，并执行归一化，如果原数据类型是float32，则不会进行数据归一化的操作

def load_process_file(filepath):
 	image = tf.io.read_file(filepath)
    image = tf.image.decode_jpeg(image,channels=3)
    image = tf.image.resize(image,[256,256])
    image=tf.cast(image,tf.float32)/255
    # image = tf.image.convert_image_dtype #次函数会将图片格式转化为float32，并执行归一化，如果原数据类型是float32，则不会进行数据归一化的操作

3. 生成dataset

1. 使用 tf.data.Dataset.from_tensor_slices((图片路径列表，标签列表))生成dataset
2. 对生成的 dataset 执行图像预处理函数 (dataset.map(load_process_file,num_parallel_calls=tf.data.experimental.AUTOTUNE))
3. 对样本进行乱序（dataset.shuffle(1000)）
4. 对样本划分 batch（datase.batch(32)）
5. 使用 prefetch(tf.data.experimental.AUTOTUNE) 增加图片读取速度

train_ds=tf.data.Dataset.from_tensor_slices((train_image_path,train_image_label))
    train_ds.map(load_process_file,num_parallel_calls=tf.data.experimental.AUTOTUNE) #使用多线程，线程数自适应
    test_ds = tf.data.Dataset.from_tensor_slices((test_image_path, test_image_label))
    test_ds.map(load_process_file, num_parallel_calls=tf.data.experimental.AUTOTUNE)  # 使用多线程，线程数自适应
    BATCH_SIZE=32
    train_count=len(train_image_path)
    test_count=len(test_image_path)
    train_ds=train_ds.repeat().shuffle(train_count).batch(BATCH_SIZE)
    test_ds=test_ds.batch(BATCH_SIZE)
    train_ds=train_ds.prefetch(tf.data.experimental.AUTOTUNE)
    test_ds=test_ds.prefetch(tf.data.experimental.AUTOTUNE)

    imgs,labels =next(iter(train_ds))