【TensorFlow】图片预处理函数

àì夳堔傛蜴生んèń 2023-06-20 06:40 34阅读 0赞

Python版本：3.6  
TensorFlow版本：1.12.0  
Matplotlib版本：3.1.1

`tf.gfile.FastGFile()` 读取图像  
`tf.image.resize_images()`图像大小调整  
`tf.image.resize_image_with_crop_or_pad()`图像裁剪或填充  
`tf.image.central_crop()`按比例调整图像  
`flipped = tf.image.flip_up_down(img_data)`：图像上下翻转  
`flipped = tf.image.flip_left_right(img_data)`：图像左右翻转  
`flipped = tf.image.transpose_image(img_data)`：图像对角翻转

### 目录 ###

*  1、tf.gfile.FastGFile()
 *  2、tf.image.resize\_images()
 *  3、tf.resize\_image\_with\_crop\_or\_pad(）
 *  4、tf.image.central\_crop()
 *  5、图像翻转

# 1、tf.gfile.FastGFile() #

**功能**：读取图片  
`tf.gfile.FastGFile(path,decodestyle)`  
`path`：图片所在路径（如：E:/album/corgi.jpeg）  
`decodestyle`:图片的解码方式。(‘r’:UTF-8编码; ‘rb’:非UTF-8编码)  
**代码1**：

读取的图片类型为`jpeg`，如果读取的图片类型为`png`，可以使用`img_data = tf.image.decode_png(img_raw_data)`进行解码。

如果代码1无法显示图像，请尝试使用代码2。

**代码2**：  
`matplotlib`还提供了一个名为`pylab`的模块，其中包括了许多`NumPy`和`pyplot`模块中常用的函数，方便用户快速进行计算和绘图。

通过`import pylab`导入，并将代码1的`plt.show()`换成`pylab.show()`。

import tensorflow as tf
    import matplotlib.pyplot as plt
    import pylab
    
    # 读取图片
    img_raw_data = tf.gfile.FastGFile("E:/album/corgi.jpeg", 'rb').read()
    
    with tf.Session() as sess:
        img_data = tf.image.decode_jpeg(img_raw_data)      # 图像解码
        print(img_data.eval())  # 打印解码后的图像，三维矩阵
    
        plt.imshow(img_data.eval())
        pylab.show()

**效果**：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70]

# 2、tf.image.resize\_images() #

**功能**：调整图像大小  
`img_data_resize1 = tf.image.resize_images(img_data, [x, y], method=0)`  
`img_data`：原始图像（像素值在0.0-1.0范围内）  
`[x, y]`：目标图像的大小  
`method=0`：调整图像大小的算法

<table> 
 <thead> 
  <tr> 
   <th>Mehod取值</th> 
   <th>图像大小调整算法</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>0</td> 
   <td>双线性插值法（Bilinear interpolation）</td> 
  </tr> 
  <tr> 
   <td>1</td> 
   <td>最近邻居法（Nearest neighbor interpolation）</td> 
  </tr> 
  <tr> 
   <td>2</td> 
   <td>双三次插值法（Bicubic interpolation）</td> 
  </tr> 
  <tr> 
   <td>3</td> 
   <td>面积插值法（Area interpolation）</td> 
  </tr> 
 </tbody> 
</table>

**代码**：

import tensorflow as tf
    import matplotlib.pyplot as plt
    
    # 读取图片
    img_raw_data = tf.gfile.FastGFile("E:/album/corgi.jpeg", 'rb').read()
    
    with tf.Session() as sess:
        img_data = tf.image.decode_jpeg(img_raw_data)      # 图像解码
        print(img_data.eval())  # 打印解码后的图像，三维矩阵
    
        plt.imshow(img_data.eval())
        plt.show()
    
        # 将0-255的像素值转化为0.0-1.0范围内的实数。
        img_data_float = tf.image.convert_image_dtype(img_data, dtype=tf.float32)
        img_data_resize = tf.image.resize_images(img_data_float, [300, 300], method=0)
    
        plt.imshow(img_data_resize.eval())
        plt.show()

**效果**：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70 1]

# 3、tf.resize\_image\_with\_crop\_or\_pad(） #

**功能**：裁剪或填充图像，  
`tf.image.resize_image_with_crop_or_pad(img_data, x, y)`  
`img_data`：原始图像。  
`x`、`y`：目标图像的大小。

如果原始图像尺寸大于目标图像，那么函数会自动截取原始图像居中的部分；如果原始图像尺寸小于目标图像，那么函数会自动在原始图像的四周填充0背景。

**代码**：

import tensorflow as tf
    import matplotlib.pyplot as plt
    
    # 读取图片
    img_raw_data = tf.gfile.FastGFile("E:/album/corgi.jpeg", 'rb').read()
    
    with tf.Session() as sess:
        img_data = tf.image.decode_jpeg(img_raw_data)      # 图像解码
        print(img_data.eval())  # 打印解码后的图像，三维矩阵
    
        plt.imshow(img_data.eval())
        plt.show()
    
        croped = tf.image.resize_image_with_crop_or_pad(img_data, 300, 300)
        padded = tf.image.resize_image_with_crop_or_pad(img_data, 2000, 2000)
    
        plt.imshow(croped.eval())
        plt.show()
        plt.imshow(padded.eval())
        plt.show()

**效果**：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70 2]

# 4、tf.image.central\_crop() #

**功能**：按比例调整图像（基准点为图像中心）  
`central_cropped = tf.image.central_crop(img_data, alpha)`  
`img_data`：原始图像。  
`alpha`：比例系数，取值范围  ( 0 , 1 \] (0,1\] (0,1\]

**代码**：

**效果**：![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70 3]

# 5、图像翻转 #

**功能**：图像翻转  
`flipped = tf.image.flip_up_down(img_data)`：图像上下翻转  
`flipped = tf.image.flip_left_right(img_data)`：图像左右翻转  
`flipped = tf.image.transpose_image(img_data)`：图像对角翻转

**代码**：

import tensorflow as tf
    import matplotlib.pyplot as plt
    
    # 读取图片
    img_raw_data = tf.gfile.FastGFile("E:/album/corgi.jpeg", 'rb').read()
    
    with tf.Session() as sess:
        img_data = tf.image.decode_jpeg(img_raw_data)      # 图像解码
        print(img_data.eval())  # 打印解码后的图像，三维矩阵
    
        flipped_1 = tf.image.flip_up_down(img_data)  # 上下翻转
        flipped_2 = tf.image.flip_left_right(img_data)  # 左右翻转
        flipped_3 = tf.image.transpose_image(img_data)  # 对角线翻转
    
        fig = plt.figure()
    
        img = fig.add_subplot(221)
        plt.imshow(img_data.eval())
    
        img = fig.add_subplot(222)
        plt.imshow(flipped_1.eval())
    
        img = fig.add_subplot(223)
        plt.imshow(flipped_2.eval())
    
        img = fig.add_subplot(224)
        plt.imshow(flipped_3.eval())
    
        plt.show()

**效果**：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70 4]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20191209104742854.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20191209111121516.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20191209122015996.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20191209134059453.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70 4]: https://img-blog.csdnimg.cn/2019120914084564.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy,size_16,color_FFFFFF,t_70