TensorFlow：实战Google深度学习框架（四）图像数据的处理

1. TFRecord格式：数据是以tf.train.Example的格式存储的，存储时以Key-Vaule键值对的形式进行存储，不改变原始数据的大小（不对数据进行编码或者解码，图像以图像原始的形式的二进制形式存储），读取时使用相同的feature_map即可使用tf.parse_single_example函数进行解析。

   ---

    

2. 硬盘本地的图片数据集存成一个tfrecord文件

   ---

   

3. 将tfrecord文件中的图片数据读取出来，并保存为图片

   ---

   

4. 常用的图像处理函数

   ---

   1. 图像的编码处理：一张三通道的图片可以看成一个三维的矩阵，矩阵中的每一个数字表示了图像上不同位置，不同颜色的亮度。但是图片在存储是并不是直接记录这些矩阵中的数字，而实记录经过压缩编码之后的结果，所以要将一张图片还原成一个三维的矩阵，需要解码的过程。tensorflow提供了对jpeg和png的图像编码和解码函数

      ---

      

      ---

       

   2. 图片大小的调整：由于图片的大小是各种各样的，但是训练的神经网络的节点数是固定的，因此在将图片输入神经网络之前，需要将各种图片的大小统一，根据结果来看tensorflow提供的几种方法实现的效果差别不大

      ---

      

      ---

      调整图片的大小还可以用其他函数：tf.image.resize_image_with_crop_or_pad

      ---

      

      ---

      tf.image.central_crop函数支持按比例裁剪图象，比例为（0，1]之间的数值

      ---

      

      ---

       

   3. 图像翻转

      ---

      tensorflow中提供了函数支持图像的上下翻转、左右翻转、沿对角线翻转

      ---

      

      ---

       

   4. 图像色彩调整：亮度、对比度、色相、饱和度

      ---

      

      ---

      对比度调整函数包括：tf.image.adjust_contrast()和tf.image.random_constrast();

      ---

      色相调整函数：tf.image_adjust_hue()和tf.image.random_hue()

      ---

      饱和度调整函数：tf,inage.adjust_saturation()和tf.image.random_saturation()

      ---

      图片的标准化：将图片的亮度均值变为0，标准差变为1----tf.iimage.per_image_standaraization()函数

      ---

       

   5. 处理标注框

      ---

      在许多图像识别的数据集中，图像中需要关注的武器通常会被标注框标注出来。tensorflow提供了一些工具来处理标注框

      ---