DeepLearning(keras框架)--图像输入大小及通道调整问题

1. 使用opencv将单通道图像数组转为多通道图像数组

在用keras框架下的vgg16模型进行迁移学习的时候，发现对输入数据有一定要求，大小不能小于48*48，输入的图像通道要为3。而笔者的数据事先按照教程已经处理成（16500,28,28）大小的数组了，因而处理起来不太方便。幸好看到有博客中可以使用opencv进行处理。
参考链接1 参考链接2

train_images = [cv2.cvtColor(cv2.resize(i, (48, 48)), cv2.COLOR_GRAY2BGR) for i in train_images]
train_images = np.concatenate([arr[np.newaxis] for arr in train_images]).astype('float32')

但是在使用上述代码时一直报错，而且还不明确是什么问题，而后笔者按照教程处理minist数据集，没发现问题，查看数据格式：

from keras.datasets import mnist
import cv2
import numpy as np
(x_train, y_train), (x_test, y_test) = mnist.load_data()
print(x_train.shape)
print(type(x_train))
print(x_train.dtype)
# converting it to RGB
x_train = [cv2.cvtColor(cv2.resize(i, (48, 48)), cv2.COLOR_GRAY2BGR) for i in x_train]
x_train = np.concatenate([arr[np.newaxis] for arr in x_train]).astype('float32')
print(x_train.shape)
print(type(x_train))
print(x_train.dtype)

结果如下：

(60000, 28, 28)

uint8
(60000, 48, 48, 3)

float32

经过比对才知道，原来的训练集数据应该是uint8类型的数组，而笔者所用的是float64的，因而opencv无法处理，修改以后就可以了。
下面来测试一下效果：

import numpy as np
from PIL import Image
import cv2
img_path = 'dog.jpg'
x = Image.open(img_path).convert('L')
x = np.array(x)
print(type(x))
print(x.shape)
print(x.dtype)
# 转为三通道图像，大小扩充两倍
x = cv2.cvtColor(cv2.resize(x, (1000, 632)), cv2.COLOR_GRAY2BGR)
print(x.shape)
x = Image.fromarray(x)
x.show()

结果如下所示：

(316, 500)
uint8
(632, 1000, 3)

2. scipy.ndimage.zoom改变图像大小

在opencv之前，笔者先发现的是这个方法，通过缩放以及插值等方法改变图像大小，处理的也是numpy数组，适用笔者的情况。

import numpy as np
from PIL import Image
import scipy.ndimage

img_path = 'dog.jpg'
x = Image.open(img_path).convert('L')
x = np.array(x)
print(type(x))
print(x.shape)
print(x.dtype)
x = np.expand_dims(x, axis=2)
print(x.shape)
x = scipy.ndimage.zoom(x, [2,2,3])
print(x.shape)
x = Image.fromarray(x)
x.show()

结果如下：

(316, 500)
uint8
(316, 500, 1)
(632, 1000, 3)

虽然说上述方法也可以改变图像大小，但是在数组很大的情况下处理速度很慢，不适用笔者的情况。