18. 深度学习——图像的读取（笔记）

1. 图像基本知识

像素值就是特征值

单通道：每一个像素一个值，叫灰度值在[0~255]之间，三通道，每个像素点3个值。

4-D张量是 [样本数，height, width, channels]

缩放图片⼤小：减少像素的量；统⼀图⽚的⼤小，去进⾏算法识别。

2. 图像基本操作API

3.案例

狗图片读取

1、构造图片文件队列
2、构造图片阅读器
3、读取图片数据
4、处理图片数据

代码：

import tensorflow as tf
import os

main_path = "F:/文本文件数据/狗图片/"
# 导入数据的准备
file_name = os.listdir(main_path)
# print(file_name) # 以列表的形式列出文件的名字

# 完整路径
file_list = [main_path+x for x in file_name] 
# print(file_list)

# 1.构建文件的队列
file_queue = tf.train.string_input_producer(file_list)

# 2.构造阅读器读取队列数据(默认读取一张图片)
reader = tf.WholeFileReader()
key, value = reader.read(file_queue)
print(value)

# 3.对每一个图片进行解码
image = tf.image.decode_jpeg(value)
print(image)

# 4.统一图片大小
image_resize = tf.image.resize_images(image,[200,200])
print(image_resize)

# 5.批处理
image_batch = tf.train.batch([image_resize], batch_size=20, num_threads=1, capacity=20)
print(image_batch)

结果：

ValueError: All shapes must be fully defined: [TensorShape([Dimension(200), Dimension(200), Dimension(None)])]

做完批处理后，打印批处理后的结果，报错，意思是没有确定形状没有固定，可以看到3-D的张量长宽固定了是200x200但是通道数没有固定。但是又有一个问题，为啥之前形状都是问号没有固定并没有报错。原因是因为RGB有三个值，比如一张图片是很多像素点组成，有很多R值，G值，B值，当一张图片放入队列中相当于放了3张数字表进去（R,G,B），现在批处理，一下子放了好多图片进去，每张图片，有3张表，但是计算机并不知道你传的是彩色图还是灰度图，也就不知道一张图片有几张表，所以产生报错。

在批处理之前固定形状，也就是将图片的通道数写出来。

更正的代码：

import tensorflow as tf
import os

main_path = "F:/文本文件数据/狗图片/"
# 导入数据的准备
file_name = os.listdir(main_path)
# print(file_name) # 以列表的形式列出文件的名字

# 完整路径
file_list = [main_path+x for x in file_name] 
# print(file_list)

# 1.构建文件的队列
file_queue = tf.train.string_input_producer(file_list)

# 2.构造阅读器读取队列数据(默认读取一张图片)
reader = tf.WholeFileReader()
key, value = reader.read(file_queue)
print(value)

# 3.对每一个图片进行解码
image = tf.image.decode_jpeg(value)
print(image)

# 4.统一图片大小
image_resize = tf.image.resize_images(image,[200,200])
print(image_resize)

# 注意： 一定要把样本的形状固定【200,200,3】,在批处理的时候要求所有的数据形状必须定义
image_resize.set_shape([200,200,3])
# 5.批处理
image_batch = tf.train.batch([image_resize], batch_size=20, num_threads=1, capacity=20)
print(image_batch)

# 开启会话
with tf.Session() as sess:
    # 定义一个线程协调器
    coord = tf.train.Coordinator()
    
    #开启读文件的线程(这里比之前开启线程方便很多，有专门的的API)
    threads = tf.train.start_queue_runners(sess, coord=coord)
    
    print(sess.run([image_batch]))
    
    # 回收线程
    
    coord.request_stop()
    
    coord.join(threads)

结果：