DRBox填坑：python修改文件名，修改xml文件内容，caffe与cv2读图

批量修改文件名

将JPEGImages文件夹里的所有图片名****.tiff改为了****.jpg
【注】：好像这样直接修改图片格式不太对，建议还是cv2.imread读入后再cv2.imwrite比较ok！！如果不改格式只改文件名，还是可以的。

import os
path = './JPEGImages/'
filename_list = os.listdir(path)
a = 1

for i in filename_list:
    old_name = path + i
    new_name = path + i.split('.')[0] + '.jpg'
    os.rename(old_name, new_name)
    print(a, '     ', new_name)
    a += 1

批量修改xml文件内容

将xml里的<filename>****.tiff</filename>，批量修改为<filename>****.jpg</filename>

import xml.etree.ElementTree as ET
import os

xml_path = './Annotations/'
file_list = os.listdir(xml_path)

a = 1
for xmlfile in file_list:
    doc = ET.parse(xml_path + xmlfile)
    root = doc.getroot()
    sub1 = root.find('filename')
    old_name = sub1.text
    new_name = old_name.split('.')[0] + '.jpg'
    sub1.text = new_name
    print(a, '   ', xmlfile, '   ', new_name)
    a += 1
    
    doc.write(xml_path + xmlfile)

cv2.imread和caffe.io.load_image

caffe.io.load_image()读进来是RGB格式和0~1(float)，(H, W, C)
cv2.imread()读进来的是BGR格式和(0~255)，(H, W, C)
caffe中的blobs格式是batchsize * C * H * W
tensorflow中的是batchsize * H * W * C
但是特别注意！！！！cv2.resize(image, (W, H))

image = caffe.io.load_image('demo.tiff')
transformer = caffe.io.Transformer({'data': [1, 3, height_i, width_i]})
transformer.set_transpose('data', (2,0,1))    # (H,W,C)变为(C,H,W)
transformer.set_channel_swap('data', (2,1,0)) # RGB变为BGR
transformer.set_raw_scale('data',255)         # 缩放达到0～255
image_i = transformer.preprocess('data', image)

cv2读图代码如下，与上面的caffe效果一致！

image = cv2.imread('demo.tiff')
transformer = caffe.io.Transformer({'data': [1, 3, height_i, width_i]})
transformer.set_transpose('data', (2,0,1)) # (H,W,C)变为(C,H,W)
# transformer.set_channel_swap('data', (2,1,0))
# transformer.set_raw_scale('data',255) 
image_i = transformer.preprocess('data', image)

参考如下：https://www.cnblogs.com/denny402/p/5685909.html

#coding=utf-8
import caffe
import numpy as np
root='/home/xxx/'   #根目录
deploy=root + 'mnist/deploy.prototxt'    #deploy文件
caffe_model=root + 'mnist/lenet_iter_9380.caffemodel'   #训练好的 caffemodel
img=root+'mnist/test/5/00008.png'    #随机找的一张待测图片
labels_filename = root + 'mnist/test/labels.txt'  #类别名称文件，将数字标签转换回类别名称

net = caffe.Net(deploy,caffe_model,caffe.TEST)   #加载model和network

#图片预处理设置
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})  #设定图片的shape格式(1,3,28,28)
transformer.set_transpose('data', (2,0,1))    #改变维度的顺序，由原始图片(28,28,3)变为(3,28,28)
#transformer.set_mean('data', np.load(mean_file).mean(1).mean(1))    #减去均值，前面训练模型时没有减均值，这儿就不用
transformer.set_raw_scale('data', 255)    # 缩放到【0，255】之间
transformer.set_channel_swap('data', (2,1,0))   #交换通道，将图片由RGB变为BGR

im=caffe.io.load_image(img)                   #加载图片
net.blobs['data'].data[...] = transformer.preprocess('data',im)      #执行上面设置的图片预处理操作，并将图片载入到blob中

#执行测试
out = net.forward()

labels = np.loadtxt(labels_filename, str, delimiter='\t')   #读取类别名称文件
prob= net.blobs['Softmax1'].data[0].flatten() #取出最后一层（Softmax）属于某个类别的概率值，并打印
print prob
order=prob.argsort()[-1]  #将概率值排序，取出最大值所在的序号 
print 'the class is:',labels[order]   #将该序号转换成对应的类别名称，并打印