Tensorflow函数--图像处理

版权声明：转载请注明出处。 https://blog.csdn.net/Xin_101/article/details/82945968

本文介绍Tensorflow处理图像的函数及其使用。

• 环境

#-*-coding:utf-8-*-
import matplotlib.pyplot as plt 
import tensorflow as tf 
#线程
from threading import Thread

• 读取图片

#读取图像原始数据
image_raw_data = tf.gfile.FastGFile("./picture/image.jpg", 'r').read()
print(type(image_raw_data))

• 图片解码

img_data = tf.image.decode_jpeg(image_raw_data, channels=3)
print(type(img_data))
print(img_data.shape)
# print(img_data.eval())
#根据解码数据，输出图片
plt.imshow(img_data.eval())
plt.show()

• 图片重新编码

encoded_image = tf.image.encode_jpeg(img_data)
print(type(encoded_image))
print(encoded_image)
with tf.gfile.GFile("./picture/output", "wb") as f:
	f.write(encoded_image.eval())

• 图片数据类型转化

#图片类型转化：实数转为浮点数
img_data = tf.image.convert_image_dtype(img_data, dtype=tf.float32)
print(img_data.eval())

• 改变图片尺寸：保留图片全部内容

##双线性插值法调整图片大小
resized_method0 = tf.image.resize_images(img_data, [300, 300], method=0)
##最邻近法调整图片大小
resized_method1 = tf.image.resize_images(img_data, [300, 300], method=1)
##双三次插值法调整图片大小
resized_method2 = tf.image.resize_images(img_data, [300, 300], method=2)
##面积插值法调整图片大小
resized_method3 = tf.image.resize_images(img_data, [300, 300], method=3)
#调整图片集合
resizes = []
method_desc = ['Bilinear', 'Nearest neighbor', 'Bicubic', 'Area']
print(type(method_desc[0]))
for i in range(4):
	resized_method = tf.image.resize_images(img_data, [300, 300], method=i)
	resizes.append(resized_method)
print(len(resizes))
for i in range(len(resizes)):
	plt.gcf().canvas.set_window_title('不同方法处理图片')
	plt.gcf().suptitle("Interpolation")
	# print(resizes[i].eval())
	print(i)
	plt.subplot(2, 2, i+1).set_title(method_desc[i])
	#显示
	plt.imshow(resizes[i].eval())
#保存图片
plt.savefig('./picture/resized.jpg')
#屏幕显示
plt.ion()
plt.show()
#显示时间:秒数
plt.pause(5)
#关闭显示
plt.close()

• 剪裁图片

croped = tf.image.resize_image_with_crop_or_pad(img_data, 1000, 1000)
print(type(croped))
padded = tf.image.resize_image_with_crop_or_pad(img_data, 3000, 3000)
print(type(padded))
#绘制画图区、加标题、显示、保存
plt.figure(1)
plt.title('Crop')
plt.imshow(croped.eval())
plt.savefig('./picture/crop.jpg')
plt.figure(2)
plt.title('Padding')
plt.imshow(padded.eval())
plt.savefig('./picture/pad.jpg')
plt.ion()
plt.show()
plt.pause(10)
plt.close()

• 调整图片大小：比例

#0.5调整比例[0,1]
central_cropped = tf.image.central_crop(img_data, 0.5)
plt.figure(1)
plt.title('Crop para')
plt.imshow(central_cropped.eval())
plt.savefig('./picture/cropparam.jpg')
plt.ion()
plt.show()
plt.pause(10)
plt.close()

• 旋转图片

##上下旋转：180度
flip0 = tf.image.flip_up_down(img_data)
##左右旋转
flip1 = tf.image.flip_left_right(img_data)
##对角线旋转
flip2 = tf.image.transpose_image(img_data)

plt.subplot(1, 3, 1).set_title('up_down')
plt.imshow(flip0.eval())
plt.subplot(1, 3, 2).set_title('left_right')
plt.imshow(flip1.eval())

plt.subplot(1, 3, 3).set_title('transpose')
plt.imshow(flip2.eval())

plt.savefig('./picture/flip.jpg')
plt.ion()
plt.show()
plt.pause(10)
plt.close()

#50%概率旋转图片
flip1 = tf.image.random_flip_up_down(img_data)
flip2 = tf.image.random_flip_left_right(img_data)

• 调整图片色彩

##调整亮度:变黑
brightness0 = tf.image.adjust_brightness(img_data, -0.5)
##图片亮度拉回到[0,1]
brightness1 = tf.clip_by_value(brightness0, 0.0, 1.0)
##图片亮度：+0.6
brightness2 = tf.image.adjust_brightness(img_data, 0.5)
##随机增加亮度
# brightness3 = tf.image.random_brightness(img_data, max_delta)
##调整亮度：倍数
##亮度x0.8
brightness4 = tf.image.adjust_contrast(img_data, 0.8)
##亮度x2
brightness5 = tf.image.adjust_contrast(img_data, 2)
##随机调整亮度
# brightness6 = tf.image.random_contrast(img_data, lower, upper)

##调整色相
hue0 = tf.image.adjust_hue(img_data, 0.2)
##随机调整色相
# hue1 = tf.image.random_hue(img_data, max_delta)

##调整饱和度
##调整到-2
saturation0 = tf.image.adjust_saturation(img_data, -2)
##调整到+2
saturation1 = tf.image.adjust_saturation(img_data, 2)
##随机调整饱和度
# saturation2 = tf.image.random_saturation(img_data, lower, upper)

##图像均值为0，方差为1
changed = tf.image.per_image_standardization(img_data)

• 标注框

##img_data已转化为float32
resized_method0 = tf.image.resize_images(img_data, [180, 267], method=0)
##img_data是三维矩阵，改变成四维矩阵
batched = tf.expand_dims(resized_method0, 0)
##标注框[y_min, x_min,y_max, x_max]
boxes = tf.constant([[[0.05, 0.05, 0.9, 0.7],[0.35, 0.47, 0.5, 0.56]]])
##添加框
bounding_box = tf.image.draw_bounding_boxes(batched, boxes)
print(type(bounding_box))
print(bounding_box.eval())
print(type(bounding_box[0].eval()))
print(bounding_box[0].eval())
# plt.imshow(bounding_box.eval())
plt.imshow(bounding_box[0].eval())

plt.ion()
plt.show()
plt.pause(10)
plt.close()

• 问题1

File "imageProcess.py", line 188, in <module>
    plt.imshow(bounding_box.eval())
  File "/Users/xindaqi/anaconda3/lib/python3.6/site-packages/matplotlib/pyplot.py", line 3205, in imshow
    **kwargs)
  File "/Users/xindaqi/anaconda3/lib/python3.6/site-packages/matplotlib/__init__.py", line 1855, in inner
    return func(ax, *args, **kwargs)
  File "/Users/xindaqi/anaconda3/lib/python3.6/site-packages/matplotlib/axes/_axes.py", line 5487, in imshow
    im.set_data(X)
  File "/Users/xindaqi/anaconda3/lib/python3.6/site-packages/matplotlib/image.py", line 653, in set_data
    raise TypeError("Invalid dimensions for image data")
TypeError: Invalid dimensions for image data

【原因】
bounding_box.eval()是四维矩阵，而imshow()只能处理三维矩阵。
【解决方案】
四维矩阵替换为三维矩阵，即从四维矩阵中提取出三维。

bounding_box[0].eval()

---