深度学习数据集图片resize

本人新写的3个pyhton脚本。

（1）单张图片的resize:

1 # coding = utf-8  
2 import Image  
3 
4 def  convert(width,height):
5     im = Image.open("C:\\workspace\\PythonLearn1\\test.jpg")
6     out = im.resize((width, height),Image.ANTIALIAS)
7     out.save("C:\\workspace\\PythonLearn1\\test.jpg")
8 if __name__ == '__main__':
9     convert(256,256)

（2）resize整个文件夹里的图片：

 1 # coding = utf-8
 2 import Image
 3 import os
 4 
 5 def convert(dir,width,height):
 6     file_list = os.listdir(dir)
 7     print(file_list)
 8     for filename in file_list:
 9         path = ''
10         path = dir+filename
11         im = Image.open(path)
12         out = im.resize((256,256),Image.ANTIALIAS)
13         print "%s has been resized!"%filename
14         out.save(path)
15     
16 if __name__ == '__main__':
17    dir = raw_input('please input the operate dir:')
18    convert(dir,256,256)

注意点：服务器性能所限，要将500*500数据集resize到256*256。上面只是初步处理，实际上要训练出高质量的模型以上的方式并不严谨，应当按比例resize，这样的好处是图片不会变形。

(3)按比例resize

 1 # coding = utf-8  
 2 import Image  
 3 
 4 def  convert(width,height):
 5     im = Image.open("C:\\workspace\\PythonLearn1\\test_1.jpg")
 6     (x, y)= im.size
 7     x_s = width
 8     y_s = y * x_s / x
 9     out = im.resize((x_s, y_s), Image.ANTIALIAS)
10     out.save("C:\\workspace\\PythonLearn1\\test_1_out.jpg")
11 if __name__ == '__main__':
12     convert(256,256)  

本来我的计划是按照比例resize图片，因为图片不可能正好是正方形的，所以想在不足256*256时用空白填充（这句话来自FCN的原文），后来有小伙伴说其实fcn可以接收任意尺寸大小的图片，用空白填充可能还会引入噪声，所以目前工作只做到这里。

关于python的图像处理库，PIL下面的链接给出了参考。在后续的制作数据集的过程中应该会有用武之地。

# 提取目录下所有图片,更改尺寸后保存到另一目录
from PIL import Image
import os.path
import glob
def convertjpg(pgmfile,outdir,width=256,height=256):
    img=Image.open(pgmfile)
    try:
        new_img=img.resize((width,height),Image.BILINEAR)
        new_img.save(os.path.join(outdir,os.path.basename(pgmfile)))
    except Exception as e:
        print(e)
for pgmfile in glob.glob("/home/lf/myfold/BOSSbase101/*.pgm"):
    convertjpg(pgmfile,"/home/lf/myfold/256BOSSbase101")

参考文章： http://blog.csdn.net/yupu56/article/details/50471119