图像分类任务之爬取需要的训练图像数据集和去除不合格的图片

最新推荐文章于 2024-01-18 02:08:23 发布

a flying bird

最新推荐文章于 2024-01-18 02:08:23 发布

阅读量83

点赞数 1

分类专栏：爬虫文章标签：分类数据挖掘人工智能

原文链接：https://blog.csdn.net/qq_41606730/article/details/116609107

版权

爬虫专栏收录该内容

2 篇文章 0 订阅

订阅专栏

图像分类任务之爬取需要的训练图像数据集和去除不合格的图片_图像数据集色块消除_没瓤的瓜的博客-CSDN博客文章浏览阅读1k次，点赞5次，收藏18次。图像分类任务之爬取需要的训练图像数据集和去除不合格的图片一、获取数据集相信不少学习机器学习和深度学习的小伙伴都会遇到这样的困难:训练的数据集上哪找啊，初学深度学习的我也饱受摧残，所以不多废话，先丢几个提供数据集的连接，以后说不定能用上ImageNet：https://image-net.org/download-imagesScikit-learn:http://scikit-learn.org/stable/datasets/index.htmlUCI数据集：http://ar_图像数据集色块消除https://blog.csdn.net/qq_41606730/article/details/116609107

图像分类任务之爬取需要的训练图像数据集和去除不合格的图片
一、获取数据集
相信不少学习机器学习和深度学习的小伙伴都会遇到这样的困难:训练的数据集上哪找啊，初学深度学习的我也饱受摧残，所以不多废话，先丢几个提供数据集的连接，以后说不定能用上

ImageNet：https://image-net.org/download-images

Scikit-learn:http://scikit-learn.org/stable/datasets/index.html

UCI数据集：http://archive.ics.uci.edu/ml/

Kaggle数据集:https://www.kaggle.com/datasets

还有我最近发现的国内数据集网站：http://dataju.cn/Dataju/web/home

但是，我还是有一个问题，数据集好大，好难下载，能不能有方法只下载自己用得到的数据集，还真有-----爬虫，一下代码来自网络

# -*- coding: utf-8 -*-
import re
import requests
from urllib import error
from bs4 import BeautifulSoup
import os

num = 0
numPicture = 0
file = ''
List = []


def Find(url, A):
    global List
    print('正在检测图片总数，请稍等.....')
    t = 0
    i = 1
    s = 0
    while t < 1000:
        Url = url + str(t)
        try:
            # 这里搞了下
            Result = A.get(Url, timeout=7, allow_redirects=False)
        except BaseException:
            t = t + 60
            continue
        else:
            result = Result.text
            pic_url = re.findall('"objURL":"(.*?)",', result, re.S)  # 先利用正则表达式找到图片url
            s += len(pic_url)
            if len(pic_url) == 0:
                break
            else:
                List.append(pic_url)
                t = t + 60
    return s


def recommend(url):
    Re = []
    try:
        html = requests.get(url, allow_redirects=False)
    except error.HTTPError as e:
        return
    else:
        html.encoding = 'utf-8'
        bsObj = BeautifulSoup(html.text, 'html.parser')
        div = bsObj.find('div', id='topRS')
        if div is not None:
            listA = div.findAll('a')
            for i in listA:
                if i is not None:
                    Re.append(i.get_text())
        return Re


def dowmloadPicture(html, keyword):
    global num
    # t =0
    pic_url = re.findall('"objURL":"(.*?)",', html, re.S)  # 先利用正则表达式找到图片url
    print('找到关键词:' + keyword + '的图片，即将开始下载图片...')
    for each in pic_url:
        print('正在下载第' + str(num + 1) + '张图片，图片地址:' + str(each))
        try:
            if each is not None:
                pic = requests.get(each, timeout=7)
            else:
                continue
        except BaseException:
            print('错误，当前图片无法下载')
            continue
        else:
            string = file + r'\\' + keyword + '_' + str(num) + '.jpg'
            fp = open(string, 'wb')
            fp.write(pic.content)
            fp.close()
            num += 1
        if num >= numPicture:
            return


if __name__ == '__main__':  # 主函数入口
    ##############################
    # 这里加了点
    headers = {
        'Accept-Language': 'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2',
        'Connection': 'keep-alive',
        'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64; rv:60.0) Gecko/20100101 Firefox/60.0',
        'Upgrade-Insecure-Requests': '1'
    }

    A = requests.Session()
    A.headers = headers
    ###############################
    word = input("请输入搜索关键词(可以是人名，地名等): ")
    # add = 'http://image.baidu.com/search/flip?tn=baiduimage&ie=utf-8&word=%E5%BC%A0%E5%A4%A9%E7%88%B1&pn=120'
    url = 'https://image.baidu.com/search/flip?tn=baiduimage&ie=utf-8&word=' + word + '&pn='

    # 这里搞了下
    tot = Find(url, A)
    Recommend = recommend(url)  # 记录相关推荐
    print('经过检测%s类图片共有%d张' % (word, tot))
    numPicture = int(input('请输入想要下载的图片数量 '))
    file = input('请建立一个存储图片的文件夹，输入文件夹名称即可')
    y = os.path.exists(file)
    if y == 1:
        print('该文件已存在，请重新输入')
        file = input('请建立一个存储图片的文件夹，)输入文件夹名称即可')
        os.mkdir(file)
    else:
        os.mkdir(file)
    t = 0
    tmp = url
    while t < numPicture:
        try:
            url = tmp + str(t)
            # 这里搞了下
            result = A.get(url, timeout=10, allow_redirects=False)

        except error.HTTPError as e:
            print('网络错误，请调整网络后重试')
            t = t + 60
        else:
            dowmloadPicture(result.text, word)
            t = t + 60
    print('当前搜索结束，感谢使用')
    print('猜你喜欢')

    for re in Recommend:
        print(re, end='  ')

运行效果
在这里插入图片描述

下载结果
在这里插入图片描述

二、去除不完整的图片

从网上爬取的图片，我们既不能保证图片格式的正确性（如PNG，GIF格式的图片直接改JPG后缀），也不能保证图片的完整性（如下载图片不完整），比如出现如下的状况
在这里插入图片描述

图一：图片格式强行转化的结果

在这里插入图片描述

图二：不完整的JPEG

经过大量的搜索，找到了较好的解决办法，参考博客https://blog.csdn.net/kingroc/article/details/90477650

import os
import shutil
from PIL import Image

DirList = [
     'C://Users//94244//jupyterProject//dataset//pet'
]


def is_valid_jpg(jpg_file):
    with open(jpg_file, 'rb') as f:
        f.seek(-2, 2)
        buf = f.read()
        return buf == b'\xff\xd9'


def is_valid_png(png_file):
    with open(png_file, 'rb') as f:
        f.seek(-3, 2)
        buf = f.read()
        if buf == b'\x60\x82\x00':
            return True
        elif buf[1:] == b'\x60\x82':
            return True
        else:
            return False


def is_valid_pic(pic_file):
    if pic_file.endswith('jpeg'):
        return is_valid_jpg(pic_file)

    elif pic_file.endswith('png'):
        return is_valid_png(pic_file)
    else:
        return False


for path in DirList:
    for file in os.listdir(path):
        pic_file = os.path.join(path, file)
        if not is_valid_pic(pic_file):
            try:
                img = Image.open(pic_file)
                img.load()
            except Exception as e:
                #print(e)
                print(pic_file)
                #shutil.copy(pic_file, '/home/king/Desktop/')
                #os.remove(pic_file)

通过运行这段代码指定数据集路径,找出不合格的图片直接删除，这样就不会出现Tensorflow Invalid JPEG data or crop window, data size的问题啦

在这里插入图片描述