TensorFlow 图像预处理（一）图像编解码，图像尺寸调整

电玩女神 2022-06-14 05:29 233阅读 0赞

TensorFlow提供了几类图像处理函数，下面介绍图像的编码与解码，图像尺寸调整。

**编码与解码**

图像解码与编码：一张RGB三通道的彩色图像可以看成一个三维矩阵，矩阵中的不位置上的数字代表图像的像素值。然后图像在存储时并不是直接记录这些矩阵中的数字，而是经过了压缩编码。所以将一张图像还原成一个三维矩阵的过程就是解码的过程，反之就是编码了。其实如果大家熟悉opencv的话，imread和imwrite就是一个解码和编码的过程。  
TensorFlow提供了常用图片格式的解码和编码操作，下面用一个jpg的图像演示：

import matplotlib.pyplot as plt
    import tensorflow as tf
    
    
    image_raw_data = tf.gfile.FastGFile('.//image//1.jpg','rb').read()
    
    with tf.Session() as sess:
         img_data = tf.image.decode_jpeg(image_raw_data)
         print(img_data.eval())
         
         plt.imshow(img_data.eval())
         plt.show()
         
         #img_data = tf.image.convert_image_dtype(img_data,dtype = tf.float32)
         
         encoded_image = tf.image.encode_jpeg(img_data)
         with tf.gfile.GFile(".//image//3.jpg","wb") as f:
              f.write(encoded_image.eval())

其中：  
decode\_jpeg函数为jpeg（jpg）图片解码的过程，对应的encode\_jpeg函数为编码过程，编码后将图片重命名写入到指定的路径下。

**图像尺寸调整**  
图像尺寸调整属于基础的图像几何变换，TensorFlow提供了几种尺寸调整的函数：  
tf.image.resize\_images：将原始图像缩放成指定的图像大小，其中的参数method（默认值为ResizeMethod.BILINEAR）提供了四种插值算法，具体解释可以参考[图像几何变换（缩放、旋转）中的常用的插值算法][Link 1]  
tf.image.resize\_image\_with\_crop\_or\_pad：剪裁或填充处理，会根据原图像的尺寸和指定的目标图像的尺寸选择剪裁还是填充，如果原图像尺寸大于目标图像尺寸，则在中心位置剪裁，反之则用黑色像素填充。  
tf.image.central\_crop：比例调整，central\_fraction决定了要指定的比例，取值范围为(0，1\]，该函数会以中心点作为基准，选择整幅图中的指定比例的图像作为新的图像。

import matplotlib.pyplot as plt
    import tensorflow as tf
    import numpy as np
    
    image_raw_data = tf.gfile.FastGFile('.//image//1.jpg','rb').read()
    
    with tf.Session() as sess:
         img_data = tf.image.decode_jpeg(image_raw_data)
         plt.imshow(img_data.eval())
         plt.show()
         
         
         resized = tf.image.resize_images(img_data, [100, 100], method=0)
         # TensorFlow的函数处理图片后存储的数据是float32格式的，需要转换成uint8才能正确打印图片。
         print("Digital type: ", resized.dtype)
         resized = np.asarray(resized.eval(), dtype='uint8')
         # tf.image.convert_image_dtype(rgb_image, tf.float32)
         plt.imshow(resized)
         plt.show()
             
         croped = tf.image.resize_image_with_crop_or_pad(img_data, 100, 100)
         padded = tf.image.resize_image_with_crop_or_pad(img_data, 500, 500)
         plt.imshow(croped.eval())
         plt.show()
         plt.imshow(padded.eval())
         plt.show()
         
         central_cropped = tf.image.central_crop(img_data, 0.5)
         plt.imshow(central_cropped.eval())
         plt.show()

原图：  
![这里写图片描述][185dad26f327571b36e1ec181c01af57.png]

resize\_images(img\_data, \[100, 100\], method=0)：  
![这里写图片描述][756e835b9795ec5a1130097618de66d4.png]

resize\_image\_with\_crop\_or\_pad(img\_data, 100, 100)：  
![这里写图片描述][39fdf44bd56d01d49dcd9978a6d690a7.png]

resize\_image\_with\_crop\_or\_pad(img\_data, 500, 500)：  
![这里写图片描述][b5908c6e48fcf643b62350688aca6092.png]

central\_crop(img\_data, 0.5)：  
![这里写图片描述][fe64bd4a8887d238d3ccc5b12a3d5acc.png]

[Link 1]: http://blog.csdn.net/chaipp0607/article/details/65658736
[185dad26f327571b36e1ec181c01af57.png]: /images/20220614/83e77fada67c4419bb817f4f6c4478f8.png
[756e835b9795ec5a1130097618de66d4.png]: /images/20220614/6ed245215d274e4387e322790dd2b04f.png
[39fdf44bd56d01d49dcd9978a6d690a7.png]: /images/20220614/9dff1b5400744556886c3e1f98f8f95e.png
[b5908c6e48fcf643b62350688aca6092.png]: /images/20220614/0730995a80a240b08afeb4d28f7383d0.png
[fe64bd4a8887d238d3ccc5b12a3d5acc.png]: /images/20220614/a4c5e73bbb5a4cccae7bdfe1152bc113.png