天池实战-街景字符编码识别-task2数据预处理

最新推荐文章于 2022-01-07 22:37:45 发布

小一的学习笔记

最新推荐文章于 2022-01-07 22:37:45 发布

阅读量866

点赞数 1

分类专栏：天池项目实战文章标签：图像识别 python 计算机视觉

版权归@小一的学习笔记所有，未经许可，禁止各种形式的转载。若想转载，请在原文链接中私聊我本人，谢谢合作！

本文链接：https://blog.csdn.net/wzg199538/article/details/106304980

版权

天池项目实战专栏收录该内容

5 篇文章 3 订阅

订阅专栏

写在前面的话

上一节大致了解了一下赛题的相关背景：天池实战-街景字符编码识别-task1赛题理解，从这节开始真正的实操，这节主要介绍数据读取、图像处理以及如何在Pytorch下进行数据的批量加载和处理

数据读取

根据位置标签获取单个字符

图片的位置标签存储在对应的json文件中，所以，针对每一张图片的位置标签需要通过解析json来获取图片的具体位置数据以及标签数据

直接贴json 解析的代码

def parse_json(data):
    """
    解析单个图像的json内容，返回二维数组输出
    二维数组的行分别对应：top、height、left、width、label，每一列都对应图像中的一个数字
    @param data:
    @return:
    """
    arr = np.array([
        data['top'], data['height'], data['left'], data['width'], data['label']
    ])
    arr = arr.astype(int)

    return arr

ok，我们需要传入的是每一张图片对应的json数据，这个也直接贴代码

# 加载训练集的json数据
train_json = json.load(open('dataset/train.json'))
# 读取某一张照片并获取位置标签数据
img = cv2.imread('dataset/train/000023.png')
arr = parse_json(train_json['000023.png'])

# 输出
[[ 59  56]
 [ 34  34]
 [233 248]
 [ 19  21]
 [  8   9]]

二维数组代表的意义想必上节已经说的很清楚了，我们直接通过位置数据将图片中的字符截取出来

为了方便看出效果，我们将原图和截取后的图片进行可视化展示

文章首发：公众号『知秋小一』

相应的代码是这样的：

 # 画出原图片
 plt.figure(figsize=(10, 10))
 plt.subplot(1, arr.shape[1] + 1, 1)
 plt.imshow(img)
 # 设置刻度为空
 plt.xticks([])
 plt.yticks([])

# 画出截取的数字图片
for idx in range(arr.shape[1]):
	plt.subplot(1, arr.shape[1] + 1, idx + 2)
    plt.imshow(img[arr[0, idx]:arr[0, idx] + arr[1, idx], arr[2, idx]:arr[2, idx] + arr[3, idx]])
    plt.title(arr[4, idx])
    # 设置刻度为空
    plt.xticks([])
    plt.yticks([])

plt.show()

对于上面的操作稍微解释一下，通过OpenCV读取图片，然后通过图片中的位置数据，截取到相应的字符，并将json中该字符对应的label显示在其上方。

当然对于图片读取还可以通过Pillow去读取，这里就不多介绍两者的区别，后面我们也会再次用到Pillow

图片中的字符个数

这里需要注意一个问题：图片中的字符个数

我们上面实例中的图片是有两个字符：8和9。但是实际图片中的字符个数是不可控的，有1个字符的图片、2个字符的图片等等。官方给的数据，一张图片中最多不超过6个字符。

那么在进行图片字符处理的时候，我们就需要将图片中的字符进行处理，比如：补齐字符为6位或者通过物体检测法检测字符个数再进行识别

这里我们介绍以下第一种方法，补齐法。

因为官方已经说明了一张图片中字符不会超过6个，那么我们就所有的图片都补齐成6位，这样每张图片都会成为六个字符的多分类问题。

补齐的时候，因为SVHN数据集将10指定为数字0的标签，所以我们可以通过数字10进行空位的填充

例如，下图

文章首发：公众号『知秋小一』

字符23填充为23XXXX，字符231填充为231XXX，这里的X我们使用10填充，具体会在下文中体现

基于Pytorch实现图像读取

在Pytorch中实现图像读取主要基于两个基类：Dataset和DataLoader，Dataset主要是通过索引加载图片并进行相应的处理，而DataLoader则可以进行batch Dataset（想象成图片批处理）

先来看DataLoader

torch.utils.data.DataLoader() ：构建可迭代的数据装载器，我们在训练的时候，每一个for循环，每一次iteration，就是从DataLoader中获取一个batch_size大小的数据。

batch_size是什么？这个就涉及到DataLoader的参数了，DataLoader的主要主要参数有5个：

dataset：Dataset类，数据的读取和图片预处理
batch_size：批大小，默认为1
num_workers：是否多进程读取机制，默认为0
shuffle：每个epoch是否乱序，默认为False
drop_last：当样本数不能被batch_size整除时，是否舍弃最后一批数据。默认为False

最后一个参数比较有意思，比如说现在又101个样本，batch_size是10，那么drop_last为False的时候，表示不舍弃最后一批数据，那么将会循环取10+1次数据；相反，如果drop_last为True的时候，只会取10次数据

上面还有一个参数是Dataset，也就是我们下面要说的

再来看Dataset

torch.utils.data.Dataset() ：Dataset抽象类，所有自定义的Dataset都需要继承它，并且必须复写__getitem__()这个类方法。

__getitem__方法的是Dataset的核心，作用是接收一个索引，返回一个样本，参数里面接收index，然后我们需要编写究竟如何根据这个索引去读取我们的数据部分。

另外在Dataset中还可以定义transforms，可以通过transforms进行图像的预处理

直接看代码吧

class SVHNDataset(Dataset):
    def __init__(self, img_path, img_label, transforms=None):
        self.img_path = img_path
        self.img_label = img_label
        self.transforms = transforms

    def __getitem__(self, index):
        img = Image.open(self.img_path[index]).convert('RGB')
        if self.transforms is not None:
            img = self.transforms(img)
        # 设置最长的字符长度为6个
        lbl = np.array(self.img_label[index], dtype=np.int)
        # 使用10填充剩余的位置
        lbl = list(lbl) + (6 - len(lbl)) * [10]
        return img, torch.from_numpy(np.array(lbl[:6]))

    def __len__(self):
        return len(self.img_path)

SVHNDataset 继承了 Dataset 基类，并且重写了__getitem__和__len__方法

其中在__getitem__方法中，我们通过索引进行图片的读取，并且使用填充方法对不足6位的图像字符进行填充

另外，可以看到在__init__方法中，我们需要传入单个图片的路径和图片中字符对应的标签，并且我们可以手动传入相对应的transforms方法

既然说到了transforms，一起来看下在Pytorch中存在哪些图片的预处理操作

最后看transforms

transforms 是torchvision计算机视觉工具包最常用的图像预处理方法。在torchvision中，有三个主要的模块，分别是transforms、datasets和models

其中transforms包括实现图像裁剪、图像的旋转和图像变换，并通过transforms方法实现更多的图像操作，包括但不限于：数据中心化，数据标准化，缩放，裁剪，旋转，翻转，填充，噪声添加，灰度变换，线性变换，仿射变换，亮度、饱和度及对比度变换等等

图像裁剪

transforms.CenterCrop(size)：图像中心裁剪图片, size是所需裁剪的图片尺寸，如果比原始图像大了，会默认填充0。
transforms.RandomCrop(size, padding=None, pad_if_needed=False, fill=0, padding_mode='constant)：从图片中位置随机裁剪出尺寸为size的图片，size是尺寸大小，padding设置填充大小，pad_if_need: 若图像小于设定的size, 则填充。 padding_mode表示填充模型，有4种：constant像素值由fill设定，edge像素值由图像边缘像素设定，reflect镜像填充，symmetric也是镜像填充。
transforms.RandomResizedCrop(size, scale=(0.08, 1.0), ratio=(3/4, 4/3), interpolation)：随机大小，长宽比裁剪图片。 scale表示随机裁剪面积比例，ratio随机长宽比，interpolation表示插值方法。
FiveCrop, TenCrop：在图像的上下左右及中心裁剪出尺寸为size的5张图片，后者还在这5张图片的基础上再水平或者垂直镜像得到10张图片。

图像的翻转和旋转

RandomHorizontalFlip(p=0.5), RandomVerticalFlip(p=0.5)：依概率水平或者垂直翻转图片，p表示翻转概率
RandomRotation(degrees, resample=False, expand=False, center=None)：随机旋转图片，degrees表示旋转角度，resample表示重采样方法，expand表示是否扩大图片，以保持原图信息。

图像变换（加粗的为常用）

transforms.Compose： 将一系列的transforms方法进行有序的组合包装，具体实现的时候，依次的用包装的方法对图像进行操作。
transforms.Resize： 改变图像大小
transforms.RandomCrop： 对图像进行裁剪
transforms.ToTensor： 将图像转换成张量，同时会进行归一化的一个操作，将张量的值从0-255转到0-1
transforms.Normalize： 将数据进行标准化
transforms.Pad(padding, fill=0, padding_mode=‘constant’): 对图片边缘进行填充
transforms.ColorJitter(brightness=0, contrast=0, saturation=0, hue=0)：调整亮度、对比度、饱和度和色相。brightness是亮度调节因子，contrast对比度参数，saturation饱和度参数，hue是色相因子。
transfor.RandomGrayscale(num_output_channels, p=0.1)：依概率将图片转换为灰度图，第一个参数是通道数，只能1或3，p是概率值，转换为灰度图像的概率
transforms.RandomAffine(degrees, translate=None, scale=None, shear=None, resample=False, fillcolor=0)：对图像进行仿射变换，反射变换是二维的线性变换由五中基本原子变换构成，分别是旋转，平移，缩放，错切和翻转。 degrees表示旋转角度，translate表示平移区间设置，scale表示缩放比例，fill_color填充颜色设置，shear表示错切
transforms.RandomErasing(p=0.5, scale=(0.02, 0.33), ratio=(0.3, 3.3), value=0, inplace=False)：对图像进行随机遮挡，p概率值，scale遮挡区域的面积，ratio遮挡区域长宽比，value遮挡像素。随机遮挡有利于模型识别被遮挡的图片。这个是对张量进行操作，所以需要先转成张量才能做

在本次项目中，实际上对图片预处理只用到了部分方法，代码如下：

def train_transform():
    """
    针对训练集数据的图像处理
    @return:
    """
    return transforms.Compose([
        # 改变图像大小
        transforms.Resize((64, 128)),
        # 调整亮度、对比度、饱和度和色相。brightness是亮度调节因子，contrast对比度参数，saturation饱和度参数，hue是色相因子。
        transforms.ColorJitter(0.3, 0.3, 0.2),
        # 随机旋转图片，degrees表示旋转角度，resample表示重采样方法，expand表示是否扩大图片，以保持原图信息。
        transforms.RandomRotation(5),
        # 将图像转换成张量，同时会进行归一化的一个操作，将张量的值从0-255转到0-1
        transforms.ToTensor(),
        # 数据进行标准化
        transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
    ])

到此，关于Pytorch读取数据、进行图像预处理已经搞定了，我们在使用的过程中传入相关参数即可，代码如下：

"""获取训练集相关数据"""
# 获取训练集目录下的所有图片
train_path = glob.glob('dataset/train/*.png')
train_path.sort()
# 获取训练集图片对应的位置标签和label数据
train_json = json.load(open('dataset/train.json'))
train_label = [train_json[x]['label'] for x in train_json]
# 通过Pytorch加载并处理数据
train_loader = DataLoader(SVHNDataset(train_path, train_label, train_transform()),
						  batch_size=40, shuffle=True, num_workers=10,
                          )

总结

本节通过对图片数据的读取和可视化展示了相关数据的使用，并通过Pytorch 实现了数据批读取和图像的相应预处理操作。

小一的学习笔记

关注

1
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
天池实战-街景字符编码识别-task2数据预处理

写在前面的话上一节大致了解了一下赛题的相关背景：天池实战-街景字符编码识别-task1赛题理解，从这节开始真正的实操，这节主要介绍数据读取、图像处理以及如何在Pytorch下进行数据的批量加载和处理数据读取根据位置标签获取单个字符图片的位置标签存储在对应的json文件中，所以，针对每一张图片的位置标签需要通过解析json来获取图片的具体位置数据以及标签数据直接贴json 解析的代码def parse_json(data): """ 解析单个图像的json内容，返回二维数组输出
复制链接

扫一扫

专栏目录