您好,登錄后才能下訂單哦!
小編給大家分享一下Python基于Tensor FLow進(jìn)行圖像處理操作的示例分析,相信大部分人都還不怎么了解,因此分享這篇文章給大家參考一下,希望大家閱讀完這篇文章后大有收獲,下面讓我們一起去了解一下吧!
Python主要應(yīng)用于:1、Web開發(fā);2、數(shù)據(jù)科學(xué)研究;3、網(wǎng)絡(luò)爬蟲;4、嵌入式應(yīng)用開發(fā);5、游戲開發(fā);6、桌面應(yīng)用開發(fā)。
具體如下:
在對(duì)圖像進(jìn)行深度學(xué)習(xí)時(shí),有時(shí)可能圖片的數(shù)量不足,或者希望網(wǎng)絡(luò)進(jìn)行更多的學(xué)習(xí),這時(shí)可以對(duì)現(xiàn)有的圖片數(shù)據(jù)進(jìn)行處理使其變成一張新的圖片,在此基礎(chǔ)上進(jìn)行學(xué)習(xí),從而提高網(wǎng)絡(luò)識(shí)別的準(zhǔn)確率。
利用matplot庫可以方便簡潔地在jupyter內(nèi)對(duì)圖片進(jìn)行繪制與輸出,首先通過tf.gfile打開圖片文件,并利用函數(shù)tf.image.decode_jpeg將jpeg圖片解碼為三位矩陣,之后便可以通過matplot繪制與顯示圖片信息了
import matplotlib.pyplot as plt import tensorflow as tf import numpy as np #讀取圖像文件 image_raw=tf.gfile.GFile('D:\Temp\MachineLearning\data\cat.jpeg','rb').read() with tf.Session() as sess: #對(duì)jpeg圖像解碼得到圖像的三位矩陣數(shù)據(jù) image_data=tf.image.decode_jpeg(image_raw) print(image_data.eval()) plt.imshow(image_data.eval()) plt.show()
可以看到打印的圖片三維矩陣信息和顯示的圖片:
tensorflow還自帶了許多圖像處理函數(shù),比如resize_image對(duì)圖片進(jìn)行大小的縮放。其中第一個(gè)參數(shù)代表圖片數(shù)據(jù)源,第二個(gè)數(shù)組代表縮放后的大小,第三個(gè)method代表采用的縮放方法,默認(rèn)0是雙線性插值法,1代表最近鄰插值法,2代表雙立方插值法,3代表像素區(qū)域插值法。
#對(duì)圖片大小進(jìn)行縮放 image_resize=tf.image.resize_images(image_data,[500,500],method=0) #tensorflow處理后的圖片是float32格式的,需要轉(zhuǎn)化為uint8才能正確輸出 image_resize=np.asarray(image_resize.eval(),dtype='uint8') plt.imshow(image_resize) plt.show()
函數(shù)tf.image.resize_image_with_crop_or_pad可以在保證圖片原始比例的條件下對(duì)圖片進(jìn)行裁切或填充。
函數(shù)tf.image.random_crop是隨機(jī)對(duì)圖片進(jìn)行選取裁剪,而不是以中心。
#圖片裁剪 image_crop=tf.image.resize_image_with_crop_or_pad(image_data,500,500) plt.imshow(image_crop.eval()) plt.show() #隨機(jī)裁剪 img_random=tf.image.random_crop(image_data,[300,300,3]) plt.imshow(img_random.eval()) plt.show()
resize_image_with_crop_or_pad第一個(gè)參數(shù)是圖片資源,后兩個(gè)參數(shù)是裁切后的圖片大小,當(dāng)原始圖片大于目標(biāo)值時(shí)將裁去兩邊多余部分,當(dāng)圖片小于目標(biāo)值時(shí)將用黑色填充,例如上圖左右被裁剪,上下用黑色填充。
random_crop第一個(gè)參數(shù)是圖片資源,第二個(gè)參數(shù)是一個(gè)三位張量,代表目標(biāo)圖像大小。
通過函數(shù)實(shí)現(xiàn)圖片的上下、左右翻轉(zhuǎn),在模型訓(xùn)練時(shí),可以將原本的樣本圖片進(jìn)行反轉(zhuǎn),作為新的特征值進(jìn)行輸入供模型訓(xùn)練。
#上下翻轉(zhuǎn) img_down=tf.image.flip_up_down(image_data) plt.imshow(img_down.eval()) plt.show() #左右翻轉(zhuǎn) img_left=tf.image.flip_left_right(image_data) plt.imshow(img_left.eval()) plt.show()
通過tf.image.adjust_contrast可以對(duì)圖像對(duì)比度進(jìn)行調(diào)整,當(dāng)參數(shù)大于1代表加深,小于1代表減淡
tf.image.random_contrast可以在指定范圍內(nèi)隨即調(diào)整對(duì)比度
類似的還有adjust_brightness、adjust_saturation、adjust_hue對(duì)明度、飽和度、色相進(jìn)行調(diào)整
#加深對(duì)比度 img_deep=tf.image.adjust_contrast(image_data,2) plt.imshow(img_deep.eval()) plt.show() #降低對(duì)比度 img_fade=tf.image.adjust_contrast(image_data,0.5) plt.imshow(img_fade.eval()) plt.show() #隨機(jī)對(duì)比度 img_contrast=tf.image.random_contrast(image_data,0.5,2) plt.imshow(img_contrast.eval()) plt.show()
Vgg網(wǎng)絡(luò)訓(xùn)練中傳入的圖片參數(shù)x_img是以batch_size為單位的四維數(shù)據(jù),例如傳入20張32×32的3通道圖片,其數(shù)據(jù)為[20,32,32,3]。但是tensorflow的圖片處理函數(shù)只可以處理三維的單張圖片。因此需要首先通過split()函數(shù)將20張圖片拆分成單張[1,32,32,3],再通過reshape()函數(shù)轉(zhuǎn)化為三維數(shù)據(jù)[32,32,3],之后再調(diào)用圖片處理函數(shù)對(duì)圖片進(jìn)行處理,將處理后的圖片恢復(fù)成四維,然后放在數(shù)組res_arr中,拼接成原來的一組20×32×32×3的數(shù)據(jù)。
# 將一批batch_size張圖片在第一維上切分為單張圖片 img_arr=tf.split(x_img,batch_size,axis=0) res_arr=[] # 遍歷每個(gè)圖片對(duì)其進(jìn)行處理 for img in img_arr: # 將單張四維的圖片[1,32,32,3]處理成三維[32,32,3] img=tf.reshape(img,[32,32,3]) # 對(duì)單張圖片進(jìn)行圖像增強(qiáng) img_flip=tf.image.random_flip_left_right(img) # 翻轉(zhuǎn)圖片 img_bright=tf.image.random_brightness(img_flip,max_delta=63) # 隨機(jī)調(diào)整亮度 img_contrast=tf.image.random_contrast(img_bright,lower=0.2, upper=1.8) # 調(diào)整對(duì)比度 # 將增強(qiáng)后的圖片再變回原來的四維格式 img=tf.reshape(img_contrast,[1,32,32,3]) # 將每個(gè)處理后的圖片放在一個(gè)數(shù)組 res_arr.append(img) # 將處理后的單個(gè)圖片重新拼接在一起 img_aug=tf.concat(res_arr,axis=0)
以上是“Python基于Tensor FLow進(jìn)行圖像處理操作的示例分析”這篇文章的所有內(nèi)容,感謝各位的閱讀!相信大家都有了一定的了解,希望分享的內(nèi)容對(duì)大家有所幫助,如果還想學(xué)習(xí)更多知識(shí),歡迎關(guān)注億速云行業(yè)資訊頻道!
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。