Tensorflow学习笔记——（十二）图像数据的处理

1、图像的解码

import matplotlib.pyplot as plt
import tensorflow as tf
import tensorflow.compat.v1 as tf1
import  sys
import importlib
importlib.reload(sys)
tf1.disable_eager_execution()
default_encodeing = 'gbk'
image = tf1.gfile.FastGFile("D:/公用程序部分/tensor/1.jpg","rb").read()
    #函数功能：实现对图片的读取,r代表解码方式为uft-8，rb为非utf-8
with tf1.Session() as sess:
    img_after_decode = tf.image.decode_jpeg(image)
    print(img_after_decode )
    print(img_after_decode.eval())
    plt.imshow(img_after_decode.eval())
    plt.show()

2、翻转图像

    flipped = tf.image.random_flip_left_right (img_after_decode )
    #以一定概率翻转图片

    tf.image.random_flip_up_down(image,seed)
    #以一定概率上下翻转图片。
    tf.image.flip_up_down(image)
    #将图像进行上下翻转
	tf.image.flip_left_right(image)
    #将图像进行左右翻转
    tf.image.transpose_image(image)
    #将图像进行对角线翻转

3、图像色彩调整

1、亮度

    adjusted_brightness = tf.image.random_brightness(img_after_decode,max_delta=1)
    #函数原型random_brightness(image,max_delta,seed)
    #max_delta的值不能为负，函数会在[-max_delta，max_delta]值之间随机调整图像的亮度

adjust_brightness(image,delta)
#说明：delta参数为正值则图像的亮度会增加，为负值则图像的亮度会降低
#将dalta设为大于1或小于-1的值是没有意义的，这时图像会变成一致的颜色

2、对比度

tf.image.random_contrast(img_after_decode, 0.2,18, )
#函数原型random_contrast(image,lower,upper,seed)
#函数会在[lower upper]之间随机调整图像的对比度
#但要注意参数lower和upper都不能为负

adjust_contrast(images,contrast_factor)
#参数contrast_factor可为正或为负，正值会增加对比度，负值会降低对比度
#在数值为整数时效果明显

4、图像标准化处理

标准化：亮度均值变为0，方差变为1.

tf.image.per_image_standardization()

5、调整图像大小

import matplotlib.pyplot as plt
import tensorflow as tf
import numpy as np
image = tf.gfile.FastGFile("/home/jiangziyang/images/duck.png", 'r').read()
with tf.Session() as sess:
    img_after_decode = tf.image.decode_png(image)

    #函数原型resize_images(images,size,method,align_corners)
    resized = tf.image.resize_images(img_after_decode, [300, 300], method=3)

    print(resized.dtype)
    #打印的信息

    # 从print的结果看出经由resize_images()函数处理图片后返回的数据是float32格式的，
    # 所以需要转换成uint8才能正确打印图片，这里使用np.asarray()存储了转换的结果
    resized = np.asarray(resized.eval(), dtype="uint8")

    plt.imshow(resized)
    plt.show()


其中method = 0，1，2，3
0代表双线性插值法
1代表最近邻居法
2代表双三次插值法
3代表面积插值法

6、图像的裁切

import matplotlib.pyplot as plt
import tensorflow as tf
image = tf.gfile.FastGFile("/home/jiangziyang/images/duck.png", 'r').read()
with tf.Session() as sess:
    img_after_decode = tf.image.decode_png(image)

    #函数原型resize_image_with_crop_or_pad(image,target_height,target_width)
    #裁剪图像
    croped = tf.image.resize_image_with_crop_or_pad(img_after_decode, 300, 300)
    #填充图像
    padded = tf.image.resize_image_with_crop_or_pad(img_after_decode, 1000, 1000)

    #用pyplot显示结果
    plt.imshow(croped.eval())
    plt.show()
    plt.imshow(padded.eval())
    plt.show()

7、图像的标注框

import matplotlib.pyplot as plt
import tensorflow as tf

image = tf.gfile.FastGFile("/home/jiangziyang/images/duck.png", 'r').read()
with tf.Session() as sess:
    img_after_decode = tf.image.decode_png(image)

    # 函数原型central_crop(image,central_fraction)
    central_cropped = tf.image.central_crop(img_after_decode, 0.4)
    plt.imshow(central_cropped.eval())
    plt.show()