keras-预训练的ImageNet模型实现分类

import keras
import numpy as np
from keras.applications import vgg16,vgg19,inception_v3,resnet50,mobilenet

#加载模型
vgg_model = vgg16.VGG16(weights='imagenet')
inception_model = inception_v3.InceptionV3(weights='imagenet')
resnet_model = resnet50.ResNet50(weights='imagenet')
mobilenet_model = mobilenet.MobileNet(weights='imagenet')

#导入所需的图像预处理模块
from keras.preprocessing.image import load_img
from keras.preprocessing.image import img_to_array
from keras.applications.imagenet_utils import decode_predictions
import matplotlib.pyplot as plt

filename = "1.jpg"

#将图片输入到网络之前执行预处理
'''
1、加载图像，load_img
2、将图像从PIL格式转换为Numpy格式，image_to_array
3、将图像形成批次，Numpy的expand_dims
'''
# 以PIL格式加载图像
original = load_img(filename, target_size=(224, 224))
print('PIL image size', original.size)
plt.imshow(original)
plt.show()

# 将输入图像从PIL格式转换为Numpy格式
# In PIL-- 图像为（width, height, channel）
# In Numpy——图像为（height, width, channel）


numpy_image = img_to_array(original)
plt.imshow(np.uint8(numpy_image))
plt.show()
print('numpy array size',numpy_image.size)

#将图像/图像转换为批量格式
#expand_dims将为特定轴上的数据添加额外的维度
#网络的输入矩阵具有形式（批量大小，高度，宽度，通道）
#因此，将额外的维度添加到轴0
image_batch = np.expand_dims(numpy_image,axis=0)
print('image batch size',image_batch.shape)
plt.imshow(np.uint8(image_batch[0]))

#使用各种网络进行预测
#通过从批处理中的图像的每个通道中减去平均值来预处理输入
#平均值通过从IMageNET获得的所有图像的R G B像素的平均值获得的三个元素的阵列
#获得每个类的发生概率
#将概率转换为人类可读的标签
#VGG16 网络模型
#对输入到VGG模型的图像进行预处理

processed_image = vgg16.preprocess_input(image_batch.copy())

#获得预测得到的属于每个类别的概率
predictions = vgg_model.predict(processed_image)

#输出预测值
#将预测概率转换为类别标签
#缺省情况下将得到的最优可能的五种类别
label_vgg = decode_predictions(predictions)

# ResNet50网络模型
# 对输入到ResNet50模型的图像进行预处理
processed_image = resnet50.preprocess_input(image_batch.copy())

# 获取预测得到的属于各个类别的概率
predictions = resnet_model.predict(processed_image)

# 将概率转换为类标签
# 如果要查看前3个预测，可以使用top参数指定它
label_resnet = decode_predictions(predictions, top=3)
label_resnet

# MobileNet网络结构
# 对输入到MobileNet模型的图像进行预处理
processed_image = mobilenet.preprocess_input(image_batch.copy())

# 获取预测得到属于各个类别的概率
predictions = mobilenet_model.predict(processed_image)

# 将概率转换为类标签
label_mobilnet = decode_predictions(predictions)
label_mobilnet

# InceptionV3网络结构
# 初始网络的输入大小与其他网络不同。 它接受大小的输入（299,299）。
# 因此，根据它加载具有目标尺寸的图像。
# 加载图像为PIL格式
original = load_img(filename, target_size=(299, 299))

# 将PIL格式的图像转换为Numpy数组
numpy_image = img_to_array(original)

# 根据批量大小重塑数据
image_batch = np.expand_dims(numpy_image, axis=0)

# 将输入图像转换为InceptionV3所能接受的格式
processed_image = inception_v3.preprocess_input(image_batch.copy())

# 获取预测得到的属于各个类别的概率
predictions = inception_model.predict(processed_image)

# 将概率转换为类标签
label_inception = decode_predictions(predictions)
label_inception

import cv2

numpy_image = np.uint8(img_to_array(original)).copy()
numpy_image = cv2.resize(numpy_image, (900, 900))

cv2.putText(numpy_image, "VGG16: {}, {:.2f}".format(label_vgg[0][0][1], label_vgg[0][0][2]), (350, 40),
            cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 3)
cv2.putText(numpy_image, "MobileNet: {}, {:.2f}".format(label_mobilnet[0][0][1], label_mobilnet[0][0][2]), (350, 75),
            cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 3)
cv2.putText(numpy_image, "Inception: {}, {:.2f}".format(label_inception[0][0][1], label_inception[0][0][2]), (350, 110),
            cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 3)
cv2.putText(numpy_image, "ResNet50: {}, {:.2f}".format(label_resnet[0][0][1], label_resnet[0][0][2]), (350, 145),
            cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 3)
numpy_image = cv2.resize(numpy_image, (700, 700))
cv2.imwrite("images/{}_output.jpg".format(filename.split('/')[-1].split('.')[0]),
            cv2.cvtColor(numpy_image, cv2.COLOR_RGB2BGR))

plt.figure(figsize=[10, 10])
plt.imshow(numpy_image)
plt.axis('off')