【神经网络】tensorflow实验5--数字图像基础

目录

1. 实验目的

2. 实验内容

3. 实验过程

题目一：

① 代码

② 实验结果

题目二：

① 代码

② 实验结果

4. 实验小结&讨论题

---

1. 实验目的

①了解数字图像基本属性；

②掌握Pillow图像处理库的基本操作。

2. 实验内容

①使用Pillow库对图像进行图像色彩模式转换、颜色通道的分离与合并、转化为数组、缩放、旋转、镜像和裁剪等操作；

②将图像转化为多维数组；

③下载MNIST数据集，访问并以图片形式显示数据集中的样本。

3. 实验过程

题目一：

下载lena.tiff图像，将R、G、B三通道分离，采用灰度图表示颜色的亮度，并分别对各个通道按要求进行处理。

 

要求：

(1)将R通道的图像缩小为50×50，显示在子图1中，子标题为:“R-缩放”，字体大小为14；

(2)将G通道的图像先水平镜像，再顺时针旋转90度，显示在子图2中，子标题为:“G-镜像+旋转”，字体大小为14，并显示坐标轴；

(3)对B通道的图像进行裁剪，裁剪位置：左上角(0, 0) 右下角(300,300)，显示在子图3中，子标题为:“B-裁剪”，字体大小为14；

(4)将原始的R、G、B通道的图像合并，显示在子图4中，子标题显示图像的色彩模式，字体大小为14；

(5)将要求(4)的处理结果保存为PNG格式的图片，路径为当前工作目录，文件名为“test.png”，如图1所示；

(6)将以上生成的4幅图像显示在2×2的画布中，全局标题为“图像基本操作”，标题字体大小为20，颜色为蓝色，如图2所示。

图1 图像保存

 

图2 图像显示

① 代码

from PIL import Image

import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = 'SimHei'

plt.rcParams['axes.unicode_minus'] = False ## 设置正常显示符号

img = Image.open("lena.tiff")

img_r,img_g,img_b = img.split() #将彩色图像分离为R,G,B三个颜色通道。

plt.figure(figsize=(5,5))   #整体画布大小5*5

# (1)将R通道的图像缩小为50×50，显示在子图1中，子标题为:“R-缩放”，字体大小为14；

plt.subplot(221)   #两行两列第1个图

plt.axis("off")      #不显示坐标轴

img_small = img_r.resize((50,50)) #缩放50*50

plt.imshow(img_small,cmap="gray")   #灰度图

plt.title("R-缩放",fontsize = 14)

# (2)将G通道的图像先水平镜像，再顺时针旋转90度，显示在子图2中，子标题为:“G-镜像+旋转”，字体大小为14，并显示坐标轴；

plt.subplot(222)

plt.axis('on')#显示坐标轴

img_gr = img_g.transpose(Image.ROTATE_270)#逆时针270 = 顺时针90

plt.imshow(img_gr,cmap="gray")

plt.title("G--镜像+旋转",fontsize = 14)



# (3)对B通道的图像进行裁剪，裁剪位置：左上角(0, 0) 右下角(150, 150)，显示在子图3中，子标题为:“B-裁剪”，字体大小为14；

plt.subplot(223)

img_region = img_b.crop((0,0,150,150))

plt.imshow(img_region)

plt.title("B-裁剪",fontsize = 14)



# (4)将原始的R、G、B通道的图像合并，显示在子图4中，子标题显示图像的色彩模式，字体大小为14；



img_rgb = Image.merge("RGB",[img_r,img_g,img_b])  #将所有通道合并，得到BGR彩色图像

plt.subplot(224)

plt.axis("off")

plt.imshow(img_rgb)

plt.title("rgb",fontsize = 14)



# (5)将要求(4)的处理结果保存为PNG格式的图片，路径为当前工作目录，文件名为“test.png”，如图2所示；

img_rgb.save('test.png')



#(6)将以上生成的4幅图像显示在2×2的画布中，全局标题为“图像基本操作”，标题字体大小为20，颜色为蓝色。

plt.suptitle("图像基本操作",fontsize = 20,color = 'b')



plt.show()

② 实验结果

题目二：

按下列要求完成程序，随机显示MNIST数据集中的样本，效果如下图所示。

要求：

(1)下载手写数字数据集，读取训练集和测试集数据，放在NumPy数组train_x、train_y、test_x、test_y中；（train_x：训练集图像，train_y：训练集标签，test_x：测试集图像，test_y：测试集标签）

(2)随机从所有测试集数据中显示16幅数字图像；

(3)16幅图像按照4×4方式排列在一张画布中，每幅图像的子标题为该图像的标签值，字体大小为14，全局标题为“MNIST测试集样本”，字体大小为20，颜色为红色。

① 代码

# (1)下载手写数字数据集，读取训练集和测试集数据，放在NumPy数组train_x、train_y、test_x、test_y中；（train_x：训练集图像，train_y：训练集标签，test_x：测试集图像，test_y：测试集标签）

# (2)随机从所有测试集数据中显示16幅数字图像；

# (3)16幅图像按照4×4方式排列在一张画布中，每幅图像的子标题为该图像的标签值，字体大小为14，全局标题为“MNIST测试集样本”，字体大小为20，颜色为红色。

import tensorflow as tf

import numpy as np

import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = 'SimHei'  #防止中文乱码

plt.rcParams['axes.unicode_minus'] = False #设置正常显示符号

mnist = tf.keras.datasets.mnist

(train_x,train_y),(test_x,test_y) = mnist.load_data()

plt.suptitle("MNIST测试集样本",fontsize = 20,color = 'r')   #总标题

for i in range(16):

    num = np.random.randint(1,50000)

    plt.subplot(4,4,i+1)

    plt.axis("off")    #不显示坐标轴

    plt.imshow(train_x[num])

    plt.title("标签值："+str(train_y[num]))   #train_y[num]是手写数字值

plt.show()

# print(train_x[0])

# print(train_y[0])

② 实验结果

4. 实验小结&讨论题

① 实验过程中遇到了哪些问题，你是如何解决的？

这次的题目有点难，问了很多同学才得以解决，刚开始图片存储位置不对，不能正常运行，我就把图片存储到我的这个代码的项目文件中，就可以正常显示了。类似于波士顿房价集和鸢尾花，对图片进行处理的时候对一些函数不是很熟练，导致运行会出错。

② 你知道Keras中还集成了哪些其他的数据集吗？请列举一二，并下载出来。除了Keras,你知道其他下载数据集的方式吗？

MNIST数字分类数据集  CIFAR10小图像分类数据集  CIFAR100小图像分类数据集  IMDB电影评论情感分类数据集

1.使用urllib下载cifar-10数据集，并读取再存为图片

2.按BATCH_SIZE读取二进制文件中的图片数据，并存放为jpg

③ 在题目基本要求的基础上，你对每个题目做了那些扩展和提升？或者你觉得在编程实现过程中，还有哪些地方可以进行优化？

每个题目要实现的功能很多，可以使用自定义函数是代码看着简便一点。