image_op函数使用。
一、图像的读取及保存
3.1 tf.image.decode_gif(contents, name=None)
3.2 tf.image.decode_jpeg(contents, channels=None, ratio=None, fancy_upscaling=None, try_recover_truncated=None, acceptable_fraction=None, dct_method=None, name=None)
3.3 tf.image.encode_jpeg(image, format=None, quality=None, progressive=None, optimize_size=None, chroma_downsampling=None, density_unit=None, x_density=None, y_density=None, xmp_metadata=None, name=None)
3.4 tf.image.decode_png(contents, channels=None, dtype=None, name=None)
3.5 tf.image.encode_png(image, compression=None, name=None)
3.6 tf.image.decode_image(contents, channels=None, name=None)
二、尺寸调整
3.7 tf.image.resize_images(images, size, method=0, align_corners=False)
3.8 tf.image.resize_area(images, size, align_corners=None, name=None)
3.9 tf.image.resize_bicubic(images, size, align_corners=None, name=None)
3.10 tf.image.resize_bilinear(images, size, align_corners=None, name=None)
3.11 tf.image.resize_nearest_neighbor(images, size, align_corners=None, name=None)
3.12 tf.image.resize_image_with_crop_or_pad(image, target_height, target_width)
3.13 tf.image.central_crop(image, central_fraction)
3.14 tf.image.pad_to_bounding_box(image, offset_height, offset_width, target_height, target_width)
3.15 tf.image.crop_to_bounding_box(image, offset_height, offset_width, target_height, target_width)
3.16 tf.image.extract_glimpse(input, size, offsets, centered=None, normalized=None, uniform_noise=None, name=None)
3.17 tf.image.crop_and_resize(image, boxes, box_ind, crop_size, method=None, extrapolation_value=None, name=None)
3.18 tf.image.flip_up_down(image)
3.19 tf.image.random_flip_up_down(image, seed=None)
3.20 tf.image.flip_left_right(image)
3.21 tf.image.random_flip_left_right(image, seed=None)
3.22 tf.image.transpose_image(image)
3.23 tf.image.rot90(image, k=1, name=None)
三、色彩模式调整
3.24 tf.image.rgb_to_grayscale(images, name=None)
将一个或多个图片由RGB模式转化为灰度模式。
3.25 tf.image.grayscale_to_rgb(images, name=None)
将一个或多个图片由灰度模式转化为RGB模式。
3.26 tf.image.hsv_to_rgb(images, name=None)
将一个或多个图片由HSV模式转化为RGB模式。
3.27 tf.image.rgb_to_hsv(images, name=None)
将一个或多个图片由RGB模式转化为HSV模式。
3.29 tf.image.adjust_brightness(image, delta)
调整RGB或灰度图的明暗度。 image_out=image*delta。
3.30 tf.image.random_brightness(image, max_delta, seed=None)
随机调整RGB或灰度图的明暗度。随机值范围 `[-max_delta, max_delta)`。
3.31 tf.image.adjust_contrast(images, contrast_factor)
调整RGB或灰度图的对比度。
在运算前，image和delta都先转换为float类型，运算完成后再返回初始类型。
对图片而言，每个通道的对比度调节是独立的。该函数先计算该通道像素平均值mean，而后对每个值进行运算
`(x - mean) * contrast_factor + mean`.
3.32 tf.image.random_contrast(image, lower, upper, seed=None)
随机调整RGB或灰度图的对比度。对比于`adjust_contrast`，`contrast_factor`从`[lower,upper]`中随机取值。
3.33 tf.image.adjust_hue(image, delta, name=None)
调节RGB图像的色彩。
该函数将图片先转换为float类型，之而转换为HSV模式，对HSV模式中的hue通道进行运算，完成后再转回RGB模式，乃至原始数据类型。
##### 参数:
* `image`: RGB格式图片，最末尺度必须为3。
* `delta`: float. 添加到hue通道的值，必须在[-1,1]之间。
3.34 tf.image.random_hue(image, max_delta, seed=None)
随机调节RGB图像的色彩。随机delta值，范围为`[-max_delta, max_delta]`.
3.35 tf.image.adjust_gamma(image, gamma=1, gain=1)
进行灰度矫正。Out = In*gamma。
若gamma>1，图片将变暗;若gamma<1，图片将变亮;
3.36 tf.image.adjust_saturation(image, saturation_factor, name=None)
调节RGB图像的饱和度。
该函数将图片先转换为float类型，之而转换为HSV模式，对HSV模式中的saturation通道进行运算，完成后再转回RGB模式，乃至原始数据类型。
3.37 tf.image.random_saturation(image, lower, upper, seed=None)
#随机调节RGB图像的饱和度。`saturation_factor`随机在`[lower,upper]`中取值。
四 其它
3.28 tf.image.convert_image_dtype(image, dtype, saturate=False, name=None)
#转化图片数据类型至`dtype`。并将数据归一为 [0,1]。
3.38 tf.image.per_image_standardization(image)
#将图片标准化，`均值为0，方差为1。
#out=(x - mean) / adjusted_stddev。
#adjusted_stddev = max(stddev, 1.0/sqrt(image.NumElements()))。`stddev` 是图片所有值的标准方差。
3.39 tf.image.draw_bounding_boxes(images, boxes, name=None)
#给一批图片绘制方框，每张图片的方框数量、大小、位置都一样。
#boxes：shape：`[batch, num_bounding_boxes, 4]`，方框坐标 `[y_min, x_min, y_max, x_max]`，取值范围`[0.0, 1.0]`。
3.40 tf.image.non_max_suppression(boxes, scores, max_output_size, iou_threshold=None, name=None)
Greedily selects a subset of bounding boxes in descending order of score,
pruning away boxes that have high intersection-over-union (IOU) overlap
with previously selected boxes. Bounding boxes are supplied as
[y1, x1, y2, x2], where (y1, x1) and (y2, x2) are the coordinates of any
diagonal pair of box corners and the coordinates can be provided as normalized
(i.e., lying in the interval [0, 1]) or absolute. Note that this algorithm
is agnostic to where the origin is in the coordinate system. Note that this
algorithm is invariant to orthogonal transformations and translations
of the coordinate system; thus translating or reflections of the coordinate
system result in the same boxes being selected by the algorithm.
The output of this operation is a set of integers indexing into the input
collection of bounding boxes representing the selected boxes. The bounding
box coordinates corresponding to the selected indices can then be obtained
using the `tf.gather operation`. For example:
selected_indices = tf.image.non_max_suppression(
boxes, scores, max_output_size, iou_threshold)
selected_boxes = tf.gather(boxes, selected_indices)
##### Args:
* `boxes`: A `Tensor` of type `float32`.
A 2-D float tensor of shape `[num_boxes, 4]`.
* `scores`: A `Tensor` of type `float32`.
A 1-D float tensor of shape `[num_boxes]` representing a single
score corresponding to each box (each row of boxes).
* `max_output_size`: A `Tensor` of type `int32`.
A scalar integer tensor representing the maximum number of
boxes to be selected by non max suppression.
* `iou_threshold`: An optional `float`. Defaults to `0.5`.
A float representing the threshold for deciding whether boxes
overlap too much with respect to IOU.
* `name`: A name for the operation (optional).
##### Returns:
A `Tensor` of type `int32`.
A 1-D integer tensor of shape `[M]` representing the selected
indices from the boxes tensor, where `M <= max_output_size`.
3.41 tf.image.sample_distorted_bounding_box(image_size, bounding_boxes, seed=None, seed2=None, min_object_covered=None, aspect_ratio_range=None, area_range=None, max_attempts=None, use_image_if_no_bounding_boxes=None, name=None)
#随机输出截取图片。
Generate a single randomly distorted bounding box for an image.
Bounding box annotations are often supplied in addition to ground-truth labels
in image recognition or object localization tasks. A common technique for
training such a system is to randomly distort an image while preserving
its content, i.e. *data augmentation*. This Op outputs a randomly distorted
localization of an object, i.e. bounding box, given an `image_size`,
`bounding_boxes` and a series of constraints.
The output of this Op is a single bounding box that may be used to crop the
original image. The output is returned as 3 tensors: `begin`, `size` and
`bboxes`. The first 2 tensors can be fed directly into `tf.slice` to crop the
image. The latter may be supplied to `tf.image.draw_bounding_boxes` to visualize
what the bounding box looks like.
Bounding boxes are supplied and returned as `[y_min, x_min, y_max, x_max]`. The
bounding box coordinates are floats in `[0.0, 1.0]` relative to the width and
height of the underlying image.
For example,
```python
# Generate a single distorted bounding box.
begin, size, bbox_for_draw = tf.image.sample_distorted_bounding_box(
tf.shape(image),
bounding_boxes=bounding_boxes)
# Draw the bounding box in an image summary.
image_with_box = tf.image.draw_bounding_boxes(tf.expand_dims(image, 0),
bbox_for_draw)
tf.image_summary('images_with_box', image_with_box)
# Employ the bounding box to distort the image.
distorted_image = tf.slice(image, begin, size)
Note that if no bounding box information is available, setting
use_image_if_no_bounding_boxes = true will assume there is a single implicit
bounding box covering the whole image. If use_image_if_no_bounding_boxes is
false and no bounding boxes are supplied, an error is raised.
Args:
image_size: ATensor. Must be one of the following types:uint8,int8,int16,int32,int64.
1-D, containing[height, width, channels].bounding_boxes: ATensorof typefloat32.
3-D with shape[batch, N, 4]describing the N bounding boxes
associated with the image.seed: An optionalint. Defaults to0.
If eitherseedorseed2are set to non-zero, the random number
generator is seeded by the givenseed. Otherwise, it is seeded by a random
seed.seed2: An optionalint. Defaults to0.
A second seed to avoid seed collision.min_object_covered: An optionalfloat. Defaults to0.1.
The cropped area of the image must contain at least this
fraction of any bounding box supplied. The value of this parameter should be
non-negative. In the case of 0, the cropped area does not need to overlap
any of the bounding boxes supplied.aspect_ratio_range: An optional list offloats. Defaults to[0.75, 1.33].
The cropped area of the image must have an aspect ratio =
width / height within this range.area_range: An optional list offloats. Defaults to[0.05, 1].
The cropped area of the image must contain a fraction of the
supplied image within in this range.max_attempts: An optionalint. Defaults to100.
Number of attempts at generating a cropped region of the image
of the specified constraints. Aftermax_attemptsfailures, return the entire
image.use_image_if_no_bounding_boxes: An optionalbool. Defaults toFalse.
Controls behavior if no bounding boxes supplied.
If true, assume an implicit bounding box covering the whole input. If false,
raise an error.name: A name for the operation (optional).
Returns:
A tuple of Tensor objects (begin, size, bboxes).
begin: ATensor. Has the same type asimage_size. 1-D, containing[offset_height, offset_width, 0]. Provide as input to
tf.slice.size: ATensor. Has the same type asimage_size. 1-D, containing[target_height, target_width, -1]. Provide as input to
tf.slice.bboxes: ATensorof typefloat32. 3-D with shape[1, 1, 4]containing the distorted bounding box.
Provide as input totf.image.draw_bounding_boxes.
3.42 tf.image.total_variation(images, name=None)
Calculate and return the total variation for one or more images.
The total variation is the sum of the absolute differences for neighboring
pixel-values in the input images. This measures how much noise is in the
images.
This can be used as a loss-function during optimization so as to suppress
noise in images. If you have a batch of images, then you should calculate
the scalar loss-value as the sum:
loss = tf.reduce_sum(tf.image.total_variation(images))
This implements the anisotropic 2-D version of the formula described here:
https://en.wikipedia.org/wiki/Total_variation_denoising
Args:
images: 4-D Tensor of shape[batch, height, width, channels]or
3-D Tensor of shape[height, width, channels].
name: A name for the operation (optional).
Raises:
ValueError: if images.shape is not a 3-D or 4-D vector.
Returns:
The total variation of images.
If images was 4-D, return a 1-D float Tensor of shape [batch] with the
total variation for each image in the batch.
If images was 3-D, return a scalar float with the total variation for
that image.
- - -
###3.4 tf.image.decode_png(contents, channels=None, dtype=None, name=None)
将PNG编码的图片解码成uint8或uint16的tensor。
参数 `channels`表示解码图片期望的颜色通道数。 可配置的值为：
- 0: 使用JPEG编码图片本身的通道数。
- 1: 输出灰度图片
- 3: 输出RGB格式图片
- 4: 输出RGBA格式图片
##### 参数:
* `contents`: PNG编码图片。
* `channels`: `int`类型，默认为`0`.
##### 示例:
image_decoded=tf.image.decode_png(tf.read_file('example.png'),channels=3)
- - -
###3.5 tf.image.encode_png(image, compression=None, name=None)
进行PNG图片格式编码。
`image` 为3维`[height, width, channels]`的uint8或uint16类型的tensor。
其中， `channels` 是:
* 1: 灰度格式
* 2: 灰度+alpha格式
* 3: RGB格式
* 4: RGBA格式
##### 参数:
* `image`: 3维`[height, width, channels]`的uint8或uint16类型的tensor。
##### 示例：
image_decoded=tf.image.decode_png(tf.read_file('example.png'),channels=3)
enc=tf.image.encode_png(image_decoded)
fname=tf.constant('1.png')
fwrite=tf.write_file(fname,enc)
with tf.Session() as sess:
result=sess.run(fwrite)
- - -
###3.6 tf.image.decode_image(contents, channels=None, name=None)
对`decode_gif`, `decode_jpeg`, and `decode_png`进行简化的函数，自动检测图片是GIG，JPEG或PNG。
注意: `decode_gif` 返回的是4维`[num_frames, height, width, 3]矩阵，而
`decode_jpeg` 和 `decode_png`返回的是3维`[height, width, num_channels]`矩阵。
##### 参数:
* `contents`: `string`类型。
* `channels`: `int`类型，默认为`0`。
- - -
###3.7 tf.image.resize_images(images, size, method=0, align_corners=False)
使用方法`method`，将`images`大小调整至`size`，
调整图片大小可能造成图片扭曲，可以使用函数`resize_image_with_crop_or_pad`避免。
支持的方法`method` 如下：
* `ResizeMethod.BILINEAR`:双线性插值法。
* `ResizeMethod.NEAREST_NEIGHBOR`: 临近插值法。
* `ResizeMethod.BICUBIC`: 双三次插值法。
* `ResizeMethod.AREA`:面积插值法。
##### 参数:
* `images`: 4维`[batch, height, width, channels]` 或3维 `[height, width, channels]`张量。
* `size`: 只含两个值的1维张量`new_height, new_width`，图片的新尺寸。
* `method`: 调整大小方法，默认为 `ResizeMethod.BILINEAR`.
* `align_corners`: bool型，默认为`false`，若为`true`， 精确对齐输入和输出的所有4个角。
##### 示例:
resize_images1=tf.image.resize_images(image_decoded,[1200,1200],method=tf.image.ResizeMethod.BILINEAR)
输出为float类型。
- - -
###3.8 tf.image.resize_area(images, size, align_corners=None, name=None)
通过面积插值法将 `images`大小调整至`size`，输出为float类型。
##### 参数:
* `images`: 可以为一下类型的4维 `[batch, height, width, channels]`tensor， `uint8`, `int8`, `int16`, `int32`, `int64`, `half`, `float32`, `float64`.
* `size`: 只含两个值的1维张量`new_height, new_width`，图片的新尺寸。
- - -
###3.9 tf.image.resize_bicubic(images, size, align_corners=None, name=None)
通过双三次插值法将 `images`大小调整至`size`，输出为float类型。
##### 参数:
* `images`: 可以为一下类型的4维 `[batch, height, width, channels]`tensor， `uint8`, `int8`, `int16`, `int32`, `int64`, `half`, `float32`, `float64`.
* `size`: 只含两个值的1维张量`new_height, new_width`，图片的新尺寸。
- - -
###3.10 tf.image.resize_bilinear(images, size, align_corners=None, name=None)
通过双线性插值法将 `images`大小调整至`size`，输出为float类型。
##### 参数:
* `images`: 可以为一下类型的4维 `[batch, height, width, channels]`tensor， `uint8`, `int8`, `int16`, `int32`, `int64`, `half`, `float32`, `float64`.
* `size`: 只含两个值的1维张量`new_height, new_width`，图片的新尺寸。
- - -
###3.11 tf.image.resize_nearest_neighbor(images, size, align_corners=None, name=None)
通过临近插值法将 `images`大小调整至`size`，输出为float类型。
##### 参数:
* `images`: 可以为一下类型的4维 `[batch, height, width, channels]`tensor， `uint8`, `int8`, `int16`, `int32`, `int64`, `half`, `float32`, `float64`.
* `size`: 只含两个值的1维张量`new_height, new_width`，图片的新尺寸。
- - -
###3.12 tf.image.resize_image_with_crop_or_pad(image, target_height, target_width)
裁剪或扩充图片尺寸至目标宽度以及高度。
如果图片的`width`或`height`大于`target_width`或`target_height`，该函数会沿着对应的尺度进行中心裁剪。
如果图片的`width`或`height`小于`target_width`或`target_height`，该函数会沿着对应的尺度进行中心扩充。
##### 参数:
* `image`: 3维`[height, width, channels]`tensor。
* `target_height`: 目标高度。
* `target_width`: 目标宽度。
##### 示例:
resize_images5=tf.image.resize_image_with_crop_or_pad(image_decoded,300,300)
- - -
###3.13 tf.image.central_crop(image, central_fraction)
对图片进行中心裁剪。
保留图片每个尺度的中心区域，对外部进行裁剪。如果我们配置`central_fraction`为0.5，该函数只会返回下图标识X的数据。
--------
| |
| XXXX |
| XXXX |
| | “X”是图片50%处于中间的部分。
--------
##### 参数:
* `image`: 3维 [height, width, depth]tensor。
* `central_fraction`: float (0, 1]，裁剪比例。
##### 示例:
central=tf.image.central_crop(image_decoded,0.5)
- - -
###3.14 tf.image.pad_to_bounding_box(image, offset_height, offset_width, target_height, target_width)
扩展 `image` 到指定的 `height` 和`width`，扩展的部分填充0。
在图片的上部填充`offset_height`行0元素和在图片的左边填充`offset_width`列0元素后，将图片沿着下部行填充和右部列填充扩展至指定的高、宽。
##### 参数:
* `image`: 3维 `[height, width, channels]`tensor。
* `offset_height`: 上部增加0元素的行数。
* `offset_width`: 左部增加0元素的行数。
* `target_height`: 输出图片的高度。
* `target_width`: 输出图片的宽度。
##### 示例：
pad_to=tf.image.pad_to_bounding_box(image_decoded,100,100,2000,2000)
- - -
###3.15 tf.image.crop_to_bounding_box(image, offset_height, offset_width, target_height, target_width)
图片指定的范围裁剪，保留指定范围内的数据。
该函数从`image`中裁剪出一个长方形的区域。长方形左上角在图片中的坐标为`offset_height, offset_width`
那么它的右下角在图片中的坐标为`offset_height + target_height, offset_width + target_width`。
##### 参数:
* `image`: 3维 `[height, width, channels]`tensor。
* `offset_height`: 左上角坐标的高度值。
* `offset_width`: 左上角坐标的宽度值。
* `target_height`: 输出图片的高度。
* `target_width`: 输出图片的宽度。
#####示例:
crop_to=tf.image.crop_to_bounding_box(image_decoded,100,100,400,400)
- - -
###3.16 tf.image.extract_glimpse(input, size, offsets, centered=None, normalized=None, uniform_noise=None, name=None)
与crop_to_bounding_box功能类似。不同之处在于，input是一组4维张量 `[batch_size, height,
width, channels]`，存有batch_size张图片。该函数对每张图片截取相同大小不同位置的数据。
截取后的tensor为 `[batch_size, glimpse_height,glimpse_width, channels]`。
* 若坐标不是标准化和中心指定的, 0.0 and 1.0对应最小和最大的高度或宽度。
* 若坐标是标准化和中心指定的，坐标 (-1.0, -1.0) 对应左上角，右下角对应坐标(1.0, 1.0)。
* 若坐标不是标准化，则应使用像素坐标值。
##### 参数:
* `input`: 4维`[batch_size, height, width, channels]`tensor。
* `size`: 1维`int32`型，表示截取窗口大小，[glimpse_height,glimpse_width]。
* `offsets`: 每个截取窗口中心位置的坐标，`float32`型[batch_size,2]。
* `centered`: `bool`型，默认为`True`，表明`offset`为窗口中心位置坐标;若为`False`,则表示窗口左上角坐标。
* `normalized`: `bool`型，默认为 `True`，表示偏移坐标是标准化的。
* `uniform_noise`: `bool`型，默认为 `True`，表示截取是产生噪声。
##### 示例:
size=tf.Variable([200,200])
offsets=tf.constant([[64,64],[159,155],[400,600]],dtype=tf.float32)
extract_glimpse=tf.image.extract_glimpse(images,size,offsets,centered=False,normalized=False,uniform_noise=False)
- - -
###3.17 tf.image.crop_and_resize(image, boxes, box_ind, crop_size, method=None, extrapolation_value=None, name=None)
类似于`crop_to_bounding_box`，不同之处在于，本函数在裁剪后将所有图片重新调整为指定尺寸，指定尺寸由参数`crop_size`获取。
##### 参数:
* `image`:4维`[batch, image_height, image_width, depth]`tensor。
* `boxes`: 2维`[num_boxes, 4]` `float32`类型tensor。第‘i’行为标准化坐标`[y1, x1, y2, x2]`,标准化坐标值`y`对应图片坐标`y * (image_height - 1)`,因此，[0,1]对应图片`[0, image_height - 1]。通常，要求y2>y1，x2>x1。
* `box_ind`: 1维`[num_boxes] `int32`型tensor，取值范围`[0, batch)`。该值指定box对应第几张图片。
* `crop_size`: 1维`size = [crop_height, crop_width]``int32`型tensor,所有裁剪后的图片尺寸将全部改变为该值。
* `method`: 调整图片大小的方法，默认为 `bilinear`，目前也只支持这种方法。
- - -
###3.18 tf.image.flip_up_down(image)
将图片上下翻转。即翻转坐标为`height`。
##### 参数:
* `image`: 3维`[height, width, channels]`tensor。
- - -
###3.19 tf.image.random_flip_up_down(image, seed=None)
随机将图片进行上下翻转，翻转概率为50%。
##### 参数:
* `image`: 3维`[height, width, channels]`tensor。
* `seed`: 随机种子，用法在constant_ops中有介绍。
- - -
###3.20 tf.image.flip_left_right(image)
将图片左右翻转。即翻转坐标为`width`。
##### 参数:
* `image`: 3维`[height, width, channels]`tensor。
##### 示例：
flip_left_right=tf.image.flip_left_right(image_decoded)
- - -
###3.21 tf.image.random_flip_left_right(image, seed=None)
随机将图片进行左右翻转，翻转概率为50%。
##### 参数:
* `image`: 3维`[height, width, channels]`tensor。
* `seed`: 随机种子，用法在constant_ops中有介绍。
- - -
###3.22 tf.image.transpose_image(image)
对图片第一第二维度进行转置操作。
##### 参数:
* `image`:3维`[height, width, channels]`tensor。完成为3维`[width,height, channels]`tensor。
##### 示例：
transpose_image=tf.image.transpose_image(image_decoded)
- - -
###3.23 tf.image.rot90(image, k=1, name=None)
将图片逆时针旋转，步长为90度。
##### 参数:
* `image`:3维`[height, width, channels]`tensor。
* `k`:旋转倍率，默认为1。图片旋转角度为`k*90`。
##### 示例：
rot180=tf.image.rot90(image_decoded,k=2)
- - -
###3.24 tf.image.rgb_to_grayscale(images, name=None)
将一个或多个图片由RGB模式转化为灰度模式。
##### 参数:
* `images`: RGB tensor，最末维度必须为3，对应RGB三个通道。
- - -
###3.25 tf.image.grayscale_to_rgb(images, name=None)
将一个或多个图片由灰度模式转化为RGB模式。
##### 参数:
* `images`: 灰度 tensor，最末维度必须为1。
- - -
###3.26 tf.image.hsv_to_rgb(images, name=None)
将一个或多个图片由HSV模式转化为RGB模式。
##### 参数:
* `images`: 最后一个维度必须为3。
- - -
###3.27 tf.image.rgb_to_hsv(images, name=None)
将一个或多个图片由RGB模式转化为HSV模式。
##### 参数:
* `images`: 最后一个维度必须为3。
- - -
###3.28 `tf.image.convert_image_dtype(image, dtype, saturate=False, name=None)
转化图片数据类型至`dtype`。并将数据归一为 [0,1)。
##### 参数:
* `image`: 图片
* `dtype`: 将要转化成的数据类型。
* `saturate`: 如果 `True`,在转化前裁剪越限的值
##### 示例：
image_decoded=tf.image.decode_png(tf.read_file('871002.png'),channels=1)
max1=tf.reduce_max(image_decoded)#max1=215
convert=tf.image.convert_image_dtype(image_decoded,tf.float32)
max=tf.reduce_max(convert)#max=0.843137(215/255)
- - -
###3.29 tf.image.adjust_brightness(image, delta)
调整RGB或灰度图的明暗度。
在运算前，image和delta都先转换为float类型，运算完成后再返回初始类型。delta取值范围为[0,1)。
##### 参数:
* `image`: tensor.
* `delta`: image_out=image*delta。
##### 示例：
adjust_brightness=tf.image.adjust_brightness(image_decoded,0.4)
- - -
###3.30 tf.image.random_brightness(image, max_delta, seed=None)
随机调整RGB或灰度图的明暗度。随机值范围 `[-max_delta, max_delta)`。
##### 参数:
* `image`:image.
* `max_delta`: float, 必须为非负。
* `seed`: 种子。
- - -
###3.31 tf.image.adjust_contrast(images, contrast_factor)
调整RGB或灰度图的对比度。
在运算前，image和delta都先转换为float类型，运算完成后再返回初始类型。
对图片而言，每个通道的对比度调节是独立的。该函数先计算该通道像素平均值mean，而后对每个值进行运算
`(x - mean) * contrast_factor + mean`.
##### 参数:
* `images`: Images，至少为 3维。
* `contrast_factor`: 调整因子。
##### 示例：
adjust_contrast=tf.image.adjust_contrast(image_decoded,0.4)
- - -
###3.32 tf.image.random_contrast(image, lower, upper, seed=None)
随机调整RGB或灰度图的对比度。对比于`adjust_contrast`，`contrast_factor`从`[lower,upper]`中随机取值。
##### 参数:
* `image`: Images，至少为 3维。
* `lower`: float. 随机调整因子的最低值。
* `upper`: float. 随机调整因子的最高值。
* `seed`:种子。
- - -
###3.33 tf.image.adjust_hue(image, delta, name=None)
调节RGB图像的色彩。
该函数将图片先转换为float类型，之而转换为HSV模式，对HSV模式中的hue通道进行运算，完成后再转回RGB模式，乃至原始数据类型。
##### 参数:
* `image`: RGB格式图片，最末尺度必须为3。
* `delta`: float. 添加到hue通道的值，必须在[-1,1]之间。
##### 示例：
adjust_hue=tf.image.adjust_hue(image_decoded,delta=0.4)
- - -
###3.34 tf.image.random_hue(image, max_delta, seed=None)
随机调节RGB图像的色彩。随机delta值，范围为`[-max_delta, max_delta]`.
##### 参数:
* `image`: RGB格式图片，最末尺度必须为3。
* `max_delta`: float. 最大delta。
* `seed`: 种子。
- - -
###3.35 tf.image.adjust_gamma(image, gamma=1, gain=1)
进行灰度矫正。Out = In*gamma。
若gamma>1，图片将变暗;若gamma<1，图片将变亮;
##### 参数:
* image : A Tensor.
* gamma : A scalar. 非负实数。
* gain : A scalar. The constant multiplier.
##### 示例：
adjust_gamma=tf.image.adjust_gamma(tf.cast(image_decoded,dtype=tf.float32),0.8)
- - -
###3.36 tf.image.adjust_saturation(image, saturation_factor, name=None)
调节RGB图像的饱和度。
该函数将图片先转换为float类型，之而转换为HSV模式，对HSV模式中的saturation通道进行运算，完成后再转回RGB模式，乃至原始数据类型。
##### 参数:
* `image`: RGB格式图片，最末尺度必须为3。
* `saturation_factor`: float. 饱和因子。
##### 示例：
adjust_saturation=tf.image.adjust_saturation(image_decoded,0.4)
- - -
###3.37 tf.image.random_saturation(image, lower, upper, seed=None)
随机调节RGB图像的饱和度。`saturation_factor`随机在`[lower,upper]`中取值。
##### 参数:
* `image`: RGB image or images. Size of the last dimension must be 3.
* `lower`: float. 饱和因子最小值。
* `upper`: float. 饱和因子最大值。
* `seed`: 种子。
- - -
###