python与caffe改变通道顺序

把通道放在前面:

image = cv2.imread(path + file)

image = cv2.resize(image, (48, 48), interpolation=cv2.INTER_CUBIC) aaaa= np.transpose(image,(2, 0, 1)) print(aaaa)

图像原来shape：(48, 48, 3)，改之后shape：(3,48,48) 

注意：reshape不能解决通道转换问题

pycaffe做识别时通道转换问题：

要注意一点的就是：Caffe中彩色图像的通道是BGR格式，图像存储是【0,255】

1.caffe.io.load_image方式 view plai cop 

 image = caffe.io.load_image(image_file) #加载图片

使用caffe.io.load_image()读进来的是RGB格式和0~1(float）

所以在进行识别之前要在transformer中设置transformer.set_raw_scale('data',255)(缩放至0~255）

以及transformer.set_channel_swap('data',(2,1,0)(将RGB变换到BGR）

 # python中将图片存储为[0, 1]，而caffe中将图片存储为[0, 255]，所以需要一个转换
 transformer.set_raw_scale('data', 255)      # 缩放到[0，255]之间
 transformer.set_channel_swap('data', (2,1,0))   #交换通道，将图片由RGB变为BGR（caffe中图片是BGR格式，而原始格式是RGB，所以要转化）

2.使用cv2.imread()来读取图片

cv2.imread()接口读图像，读进来直接是BGR 格式and 0~255

所以不需要再缩放到【0,255】和通道变换【2,1,0】，不需要transformer.set_raw_scale('data',255)和transformer.set_channel_swap('data',(2,1,0)）

3.使用PIL来读取图片

对于彩色图像，不管其图像格式是PNG，还是BMP，或者JPG，在PIL中，使用Image模块的open()函数打开后，返回的图像对象的模式都是“RGB”。而对于灰度图像，不管其图像格式是PNG，还是BMP，或者JPG，打开后，其模式为“L”。所以需要转换格式，但不需要缩放到[0，255]

 data = np.array(Image.open(self.dataRoot+img_list))
 data = np.transpose(data,(2,0,1))#转换通道
 data[[0,2],...] = data[[2,0],...] #RGB→BGR

4.对于matlab来说

Caffe中的blobs格式是N*C*H*W，分别是数量Number，通道数Channel，以及宽度Height和宽度Width

而matlab中是先宽后高，即[w，h]，图像的通道是RGB

所以需要进行相应的转换：

im_data = im (:,:,[3,2,1]) ; %RGB to BGR

im_data = permute(im_data, [2,1,3]); %旋转高度和宽度

最后，分享一个Caffe的典型python识别代码：

 # -*- coding: utf-8 -*-
 """
 Created on Sun May 28 16:00:47 2017
 @author: fancp，#windows下CPU模式
 """
 import numpy as np
 import caffe
 import sys
 caffe_root = 'F:/Caffe' #########你自己的Caffe路径
 sys.path.insert(0, caffe_root + '/python')

 size = 227 #训练的图片尺寸
 image_file = 'F:/.../.../nihao.jpg'#图片路径
 model_def = 'F:/.../.../deploy.prototxt'#deploy模型文件位置
 model_weights = 'F:/.../.../_iter_20000.caffemodel'#训练完的模型位置
 net = caffe.Net(model_def, model_weights, caffe.TEST)

 # 加载均值文件
 mu = np.load(caffe_root + '/python/caffe/imagenet/ilsvrc_2012_mean.npy')  ###caffe 自带的文件
 mu = mu.mean(1).mean(1)  # average over pixels to obtain the mean (BGR) pixel values
 ###########################下面这5句等同与上面两句，选择其一#################
 #blob = caffe.proto.caffe_pb2.BlobProto()
 #mean_data = open( 'mean.binaryproto' , 'rb' ).read()
 #blob.ParseFromString(mean_data)
 #mu = np.array(caffe.io.blobproto_to_array(blob))
 #mu = mu.mean(1).mean(1).mean(1)
 ##############################################################################
 #图片预处理
 transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape}) ##设定图片的shape格式(1,3,227,227)，大小由deploy 文件指定
 # python读取的图片文件格式为H×W×K，需转化为K×H×W
 transformer.set_transpose('data', (2,0,1))  #改变维度的顺序，由原始图片(227,227,3)变为(3,227,227)
 transformer.set_mean('data', mu)            # 每个通道减去均值

 # python中将图片存储为[0, 1]，而caffe中将图片存储为[0, 255]，所以需要一个转换
 transformer.set_raw_scale('data', 255)      # 缩放到【0，255】之间
 transformer.set_channel_swap('data', (2,1,0))   #交换通道，将图片由RGB变为BGR（caffe中图片是BGR格式，而原始格式是RGB，所以要转化）
 net.blobs['data'].reshape(1,3,size, size)  # 将输入图片格式转化为合适格式（与deploy文件相同）
 #上面这句，第一参数：图片数量 第二个参数 ：通道数 第三个参数：图片高度 第四个参数：图片宽度

 image = caffe.io.load_image(image_file) #加载图片
 # 用上面的transformer.preprocess来处理刚刚加载图片
 net.blobs['data'].data[...]  = transformer.preprocess('data', image)

 ### perform classification
 caffe.set_mode_cpu()
 output = net.forward()
 #print output
 output_prob = output['prob'][0].argmax()  # 给出概率最高的是第几类，需要自己对应到我们约定的类别去