Tensorflow——图像数据处理

Tensorflow TFRecord数据格式

Tensorflow统一格式存储数据——TFRecord，TFRecord文件中的数据通过tf.train.Example Protocol Buffer格式存储，其包括一个从属性名称到取值的字典；

• 属性名称：字符串类型
• 取值：字符串(BytesList)、实数列表(FloatList)、整数列表(Int64List)

输入数据转化为TFRecord格式

以MNIST数据为例

#生成整数属性
def _int64_feature(value):
    return tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))

#生成字符串属性
def _bytes_feature(value):
    return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))
 
 mnist = input_data.read_data_sets("MNIST", dtype=tf.uint8, one_hot=True)

images = mnist.train.images

#训练数据所对应的正确答案，作为一个属性保存在TFRecord中
labels = mnist.train.labels


#训练数据的图像分辨率，作为Examples中的一个属性
pixels = images.shape[1]

num_examples = mnist.train.num_examples

#输出TFRecord文件地址
filename = "7_output.tfrecords"

#写
writer = tf.python_io.TFRecordWriter(filename)

for index in range(num_examples):
    image_raw = images[index].tostring()
    example = tf.train.Example(features=tf.train.Features(feature= \
                                        {'pixels ': _int64_feature(pixels), \
                                         'labels' : _int64_feature(np.argmax(labels[index])), \
                                         'image_raw' : _bytes_feature(image_raw)}))
    writer.write(example.SerializeToString())
    
writer.close()

先生成 tf.train.Example 数据格式，后定义writer = tf.python_io.TFRecordWriter(file)写入writer.write

读取TFRecord格式数据

#创建一个reader
reader = tf.TFRecordReader()

#创建一个队列来维护输入文件列表
filename_queue = tf.train.string_input_producer(["7_output.tfrecords"])

#从文件中读出一个样例
_, serialized_example = reader.read(filename_queue)

#深入解析

features = tf.parse_single_example(serialized_example, features = { 
                                             "image_raw" : tf.FixedLenFeature([], tf.string), 
                                             "pixels": tf.FixedLenFeature([], tf.int64), 
                                             "label": tf.FixedLenFeature([], tf.int64)})

#解析成图像对应的像素数组
image = tf.decode_raw(features['image_raw'], tf.uint8)
label = tf.cast(features['label'], tf.int32)
pixels = tf.cast(features['pixels'], tf.int32)

sess = tf.Session()
#多线程处理数据
coord = tf.train.Coordinator()
threads = tf.train.start_queue_runners(sess=sess, coord=coord)

for i in range(10):
    sess.run([image, label, pixels])

Tensorflow 图像处理

图像编码处理

# 图像编码处理
# jpeg格式处理示例

import matplotlib.pyplot as plt

image_raw_data = tf.gfile.FastGFile('test.jpeg', 'rb').read()

with tf.Session() as sess:
    img_data = tf.image.decode_jpeg(image_raw_data)
    
    print(img_data.eval())

相应的，处理png图片使用函数tf.image.decode_png进行解码，解码结果为一个张量，使用pyplot可视化得到图像。

#续上
	plt.imshow(img_data.eval())
    plt.show()

编码同下：

#续上，在同一个sess中
    #编码
    encode_image = tf.image.encode_jpeg(img_data)
    with tf.gfile.GFile('7_output_test.jpeg', 'wb') as f:
        f.write(encode_image.eval())

图像大小处理

#图像大小处理
#tensorflow提供4种方式，并且将它们封装到tf.image.resize_images函数中
#img_data是已经解码的函数

#1. 将图片数据转化为实数类型
img_data = tf.image.convert_image_dtype(img_data, dtype=tf.float32)

#2.调整图片大小
resized = tf.image.resize_images(img_data, [300,300], method=0)

t.image.resize_image参数：

1. 原始图像
2. 调整后大小
3. 调整图像的算法（method）

其中method：

• 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

使用tf.image.resize_with_crop_or_pad处理，如果目标图像小于原始图像，裁取居中部分；若目标图像大于原始图像，四周填充全0背景。

croped = tf.image.resize_image_with_crop_or_pad(img_data, 1000, 1000)
padded = tf.image.resize_image_with_crop_or_pad(img_data, 3000, 3000)

通过比例调整大小 tf.image.central_crop

central_cropped = tf.image.central_crop(img_data, 0.5)
with tf.Session() as sess:
    plt.imshow(central_cropped.eval())
    plt.show()

?hhhh，暗中观察.jpg

图片翻转

#图片翻转
flipped_1 = tf.image.flip_up_down(img_data)#上下
flipped_2 = tf.image.flip_left_right(img_data)#左右
transposed = tf.image.transpose_image(img_data)#对角线

with tf.Session() as sess:
    plt.imshow(img_data .eval())
    plt.show()

    plt.imshow(flipped_1 .eval())
    plt.show()

    plt.imshow(flipped_2.eval())
    plt.show()

    plt.imshow(transposed .eval())
    plt.show()

随机翻转(50%的概率是否翻转)
tf.image.random_flip_up_down()
tf.image.random_flip_left_right()

图片色彩调整

亮度

#亮度-0.5
adjusted = tf.image.adjust_brightness(img_data, -0.5)

色彩调整可能将像素实数值超出[0.0, 1.0]，截断调整
adjusted = tf.clip_by_value(adjusted, 0.0, 1.0)

随机调整

#在【-max_delta， max_delta）区间随机调整
adjusted = tf.image.random_brightness(image, max_delta)

图片对比度

#色相加0.1
adjusted = tf.image.adjust_hue(img_data, 0.1)

图片饱和度

adjusted = tf.image.adjust_saturation(img_data, -5)

第二个参数也可写成区间[lower, upper]，在此区间随机调整图像的饱和度

标准化过程
tf.image.per_image_standardization(img_data)

处理标注框

# 处理标注框 
img_data = tf.image.resize_images(img_data, [180, 267], method=1)

#batched = tf.expand_dims(tf.image.convert_image_dtype(img_data, tf.float32), 0)
batched = tf.expand_dims(tf.image.convert_image_dtype(img_data, tf.float32), 0)
#标注框的四个坐标位置
boxes = tf.constant([[[0.05, 0.05, 0.9, 0.7], [0.35, 0.47, 0.5, 0.56]]])

result = tf.image.draw_bounding_boxes(batched, boxes)