使用TensorFlow进行图像处理

一、图片的放大缩小

在使用TensorFlow进行图片的放大缩小时，有三种方式：
1、tf.image.resize_nearest_neighbor（）:临界点插值
2、tf.image.resize_bilinear(）：双线性插值
3、tf.image.resize_bicubic(）：双立方插值算法

下面是示例代码：

# encoding:utf-8
# 使用TensorFlow进行图片的放缩
import tensorflow as tf
import cv2
import numpy as np

# 读取图片
img = cv2.imread("1.jpg")
# 显示原始图片
cv2.imshow("resource", img)

h, w, depth = img.shape
img = np.expand_dims(img, 0)

# 临界点插值
nn_image = tf.image.resize_nearest_neighbor(img, size=[h+100, w+100])
nn_image = tf.squeeze(nn_image)
with tf.Session() as sess:
    # 运行 'init' op
    nn_image = sess.run(nn_image)
nn_image = np.uint8(nn_image)

# 双线性插值
bi_image = tf.image.resize_bilinear(img, size=[h+100, w+100])
bi_image = tf.squeeze(bi_image)
with tf.Session() as sess:
    # 运行 'init' op
    bi_image = sess.run(bi_image)
bi_image = np.uint8(bi_image)

# 双立方插值算法
bic_image = tf.image.resize_bicubic(img, size=[h+100, w+100])
bic_image = tf.squeeze(bic_image)
with tf.Session() as sess:
    # 运行 'init' op
    bic_image = sess.run(bic_image)
bic_image = np.uint8(bic_image)
# 显示结果图片
cv2.imshow("result_nn", nn_image)
cv2.imshow("result_bi", bi_image)
cv2.imshow("result_bic", bic_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

二、图片的亮度调整

在使用TensorFlow进行图片的亮度调整时，有两种方式：
1、tf.image.adjust_brightness（）：亮度的全局调整
2、tf.image.random_brightness(）：亮度的随机调整

下面是示例代码：

# encoding:utf-8
# 使用TensorFlow调整图片的亮度
import tensorflow as tf
import cv2
import numpy as np


# 读取图片
img = cv2.imread("1.jpg")
# 显示原始图片
cv2.imshow("resource", img)

img = np.expand_dims(img, 0)
# adjust_brightness
bright_img = tf.image.adjust_brightness(img, delta=.5)
bright_img = tf.squeeze(bright_img)
with tf.Session() as sess:
    # 运行 'init' op
    result = sess.run(bright_img)
result = np.uint8(result)

rand_image = tf.image.random_brightness(img, max_delta=.5)
rand_image = tf.squeeze(rand_image)
with tf.Session() as sess:
    # 运行 'init' op
    result2 = sess.run(rand_image)
result2 = np.uint8(result2)

cv2.imshow("result", result)
cv2.imshow("result2", result2)
cv2.waitKey(0)
cv2.destroyAllWindows()

三、图片的对比度调整

在使用TensorFlow进行图片的对比度调整时，有两种方式：
1、tf.image.adjust_contrast（）：对比度的全局调整
2、tf.image.random_contrast(）：对比度的随机调整

代码与图片的亮度调整类似，这里就不赘述了。

四、图片的饱和度调整

在使用TensorFlow进行图片的饱和度调整时，使用下列函数：
tf.image.adjust_saturation（）
饱和度调整范围为0~5
下面示例代码：

# encoding:utf-8
# 使用TensorFlow调整图片的亮度
import tensorflow as tf
import cv2
import numpy as np


# 读取图片
img = cv2.imread("1.jpg")
# 显示原始图片
cv2.imshow("resource", img)

# 图像的饱和度调整
stand_img = tf.image.adjust_saturation(img, saturation_factor=2.4)
with tf.Session() as sess:
    # 运行 'init' op
    result = sess.run(stand_img)
result = np.uint8(result)


cv2.imshow("result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()

五、图片的标准化

在使用TensorFlow对图像数据进行训练之前，常需要执行图像的标准化操作，它与归一化是有区别的，归一化不改变图像的直方图，标准化操作会改变图像的直方图。标准化操作使用如下函数：
tf.image.per_image_standardization（）
下面是示例代码：

# encoding:utf-8
# 使用TensorFlow调整图片的亮度
import tensorflow as tf
import cv2
import numpy as np


# 读取图片
img = cv2.imread("1.jpg")
# 显示原始图片
cv2.imshow("resource", img)

# 图像标准化操作
stand_img = tf.image.per_image_standardization(img)
with tf.Session() as sess:
    # 运行 'init' op
    result = sess.run(stand_img)
result = np.uint8(result)


cv2.imshow("result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()

六、图像的色彩空间转化

使用TensorFlow进行图像的色彩空间转化，包括HSV、RGB、灰度色彩空间之间的转化，使用的函数如下所示：
tf.image.rgb_ to_hsv（）
tf.image.rgb_ to_grayscale（）
tf.image.hsv_ to_rgb（）
代码与图像的标准化操作的代码相似，这里不再赘述。