【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程(七)(数字图像基础))

【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程(七)(数字图像基础)

  • 第7讲 数字图像基础
    • 7.1 数字图像基本概念
      • 7.1.1 图像的离散化
        • 7.1.1.1 连续图像和数字图像
        • 7.1.1.2 像素、位图、色彩深度/位深度、BMP格式
        • 7.1.1.3 色彩模式
          • 7.1.1.3.1 二值图像(Binary Image)
          • 7.1.1.3.2 灰度图像(Gray Image)
          • 7.1.1.3.3 彩色图像(RGB)
          • 7.1.1.3.4 RGBA图像
          • 7.1.1.3.5 256色彩色图像
          • 7.1.1.3.6 CMYK-印刷四粉色
          • 7.1.1.3.7 YCbCr
          • 7.1.1.3.8 HSI 色彩模型
        • 7.1.1.4 图像格式
        • 7.1.1.5 图像压缩
        • 7.1.1.5.1 JPEG格式
        • 7.1.1.5.2 PNG格式(Portable Network Graphics,PNG)
        • 7.1.1.5.3 GIF格式(Graphics Interchange Format)
        • 7.1.1.5.4 TIFF格式(Tag Image File Format)
        • 7.1.1.6 图像类型
          • 7.1.1.6.1 平面二维图像
          • 7.1.1.6.2 序列图像
          • 7.1.1.6.3 深度图像(Depth Map):
    • 7.2 Pillow图像处理库
      • 7.2.1 一些图像处理库
        • 7.2.1.1 matplotlib.image方式
        • 7.2.1.2 PIL(Python Imaging Library)
      • 7.2.2 Pillow库
        • 7.2.2.1 安装和导入包/模块
          • 7.2.2.1.1 Pillow的安装
          • 7.2.2.1.2 导入PIL.image模块
          • 7.2.2.1.3 导入matplotlib.pyplot模块
        • 7.2.2.2 打开图像--Image.open()函数
        • 7.2.2.3 保存图像-save()方法
        • 7.2.2.4 图像对象的主要属性
        • 7.2.2.5 显示图像
        • 7.2.2.6 分别显示不同类别的图像
        • 7.2.2.7 转换图像的色彩模式
        • 7.2.2.8 颜色通道的分离与合并
        • 7.2.2.9 转化为数组
          • 7.2.2.9.1 将灰度图像lena_gray.bmp转化为数组(反色)
        • 7.2.2.10 对图像的缩放、旋转和镜像
          • 7.2.2.10.1 缩放图像
          • 7.2.2.10.1.1 img.resize()方法
          • 7.2.2.10.1.2 img.thumbnail()方法
          • 7.2.2.10.2 旋转、镜像(即左右翻转)
        • 7.2.2.11 裁剪图像
      • 7.2.3 常用的图像处理库
    • 7.3 实例:手写数字数据集MNIST
      • 7.3.1 图像操作汇总表
      • 7.3.2 MNIST数据集
        • 7.3.2.1 下载MNIST数据集
        • 7.3.2.2 输出训练集和测试集的长度
        • 7.3.2.3 输出图像数据和标记数据的形状
        • 7.3.2.4 显示手写数字图片
          • 7.3.2.4.1 输出数据集中的第1个样本
          • 7.3.2.4.2 显示图片
          • 7.3.2.4.3 随机显示4幅手写数字图片
      • 7.3.3 习题及相关库补充(未作,有时间写)

第7讲 数字图像基础

7.1 数字图像基本概念

  • 有人说:计算机视觉是人工智能的大门(我不信),倒是一道门
  • 计算机视觉成为人工智能应用方面的领头羊
  • 本课实例都是与图像有关的

7.1.1 图像的离散化

7.1.1.1 连续图像和数字图像

  • 连续图像:人眼直接感受到的图像
  • 数字图像:把连续的图像数字化、离散化之后的图像,它是对连续图像的一种近似

7.1.1.2 像素、位图、色彩深度/位深度、BMP格式

图像是如何被离散化的?

  • 像素(pixel):是图像中的一个最小单位
  • 位图(bitmap):通过记录每一个像素值来存储和表达的图像
  • 色彩深度/位深度:位图中每个像素点要用多少个二进制位来表示
  • BMP格式:Windows系统的标准位图格式,他能够很好的兼容各种windows程序
    可以通过windows图片属性查看位深度,决定存储的字节数,这里称为24位真彩色
    【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程(七)(数字图像基础))_第1张图片

7.1.1.3 色彩模式

为什么称为真彩色,除了24位,还有那些喃?

7.1.1.3.1 二值图像(Binary Image)
  1. 每个像素只有2种可能的取值,使用1位二进制来表示,位深度为1;最简单的图像表示方式
    【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程(七)(数字图像基础))_第2张图片
  2. 在图像处理和分析时,常常首先对图像进行二值化处理
    凸显出感兴趣的目标,有效的减少数据量
  3. 只要是仅有两种颜色的图像,都可以被称为二进制图像
7.1.1.3.2 灰度图像(Gray Image)
  • 每个像素使用1个字节表示,位深度为8,可以表示256种级别的灰度;
  • 0表示黑色;255表示白色 ;1-254表示不同级别的灰色
  • 其他任何一种单一颜色不同亮度的图像都可以称为灰度图像
    【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程(七)(数字图像基础))_第3张图片
7.1.1.3.3 彩色图像(RGB)
  • 每个像素都有红(R)、绿(G)、蓝(B)三个分量
  • 1个像素点使用3个字节,位深度为24位
  • 可以表示256×256×256=16777216种颜色
  • 对于人眼,已经可以反映出真实世界,所以称为24位真彩色
  • 通常讲RGB三种分量称为通道,如红色通道
    【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程(七)(数字图像基础))_第4张图片
7.1.1.3.4 RGBA图像
  • RGB图像+8位透明度信息Alpha
  • 这个透明度称为透明度通道,或者Alpha通道

【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程(七)(数字图像基础))_第5张图片

7.1.1.3.5 256色彩色图像
  • 每个像素用8位二进制表示,是调色版中的索引值
  • 二进制数并不代表确定的颜色,而是调色板中的索引值,对应的颜色是按照索引值在调色板中查询出来的
  • 对于不同的图像,所对应的这256种颜色的集合是不一样的
  • 在保存和加载这种类型的位图时,需要将调色板和图像一同保存和加载
7.1.1.3.6 CMYK-印刷四粉色
  • 每个像素用32位二进制表示
  1. C:Cyan = 青色
  2. M:Magenta = 洋红色
  3. Y:Yellow = 黄色
  4. K:black = 黑色
7.1.1.3.7 YCbCr
  • 是DVD、摄像机、数字电视等消费类视频产品中色彩编码方案
  1. Y:亮度分量
  2. Cb:蓝色亮度分量
  3. Cr:红色亮度分量
7.1.1.3.8 HSI 色彩模型
  • 用H、S、I三个分量来描述
  1. H:色调
  2. S:饱和度
  3. I:亮度

7.1.1.4 图像格式

  • BMP格式:占用存储空间大,不支持文件压缩,不适用于网页

7.1.1.5 图像压缩

  • 适当降低图像质量减小它所占用的空间
  • 不同的图像压缩算法,对应不同得图像格式

7.1.1.5.1 JPEG格式

  • 它是一种有损压缩方案
  • 可以在保证高质量得前提下去除冗余的色彩和图像数据
  • 压缩率高,所占空间小
  • 可以压缩到原图的1/20大小,而图片的质量不会有明显的下降,非常适合存储照片以及在网页中显示照片
  • 适合于色彩丰富、细节清晰细腻得大图像
  • 不适合所含颜色较少,具有大块颜色相近得区域,或亮度差异十分明显的简单图片
  • 每次编辑都会降低图像质量,不适合需要进行多次编辑的情况

7.1.1.5.2 PNG格式(Portable Network Graphics,PNG)

  • 无损压缩,对图像本身质量的减损非常低,逐渐流行起来
  • 适合于有规律渐变色彩的图像
  • 对于色彩丰富,细节清晰细腻的大图表现效果不如JPEG格式

7.1.1.5.3 GIF格式(Graphics Interchange Format)

  • 支持静态格式动态格式
  • 静态格式于JPEG格式的图片类似
  • 动态图片由多幅图片保存为一个图片,循环显示,形成动画效果
  • 只支持256色,适用于色彩简单、颜色较少的小图像

7.1.1.5.4 TIFF格式(Tag Image File Format)

  • 是最复杂的一种图像格式
  • 定义了4类不同类型的格式
  1. 二值图像(TIFF-B)
  2. 黑白灰度图像(TIFF-G)
  3. 带调色板的彩色图像(TIFF-P)
  4. RGB真彩图像(TIFF-R)
  • 支持RGB、JPEG等多种编码方法
  • 具有非常好的扩展性、方便性、可改性,是印刷行业中最常用的格式
  • Web浏览器不支持TIFF格式

7.1.1.6 图像类型

7.1.1.6.1 平面二维图像
  • 前面介绍的所有图像都是平面二维图像
7.1.1.6.2 序列图像
  • 序列图像时间上有一定顺序间隔、内容上相关的一组图像
  1. 视频图像就是一种特殊的序列图像
  2. 其中的每幅图像称为帧图像
  3. 帧图像之间的时间间隔是固定的
7.1.1.6.3 深度图像(Depth Map):
  • 是一种三维场景信息的表达方式
  • 每个像素点的取值,代表这个点离摄像机的距离
  • 采用灰度图表示,每个像素点由一个字节表示
  • 深度图像中,像素点的取值并不代表实际的距离,颜色的深浅只是代表相对距离的远近

7.2 Pillow图像处理库

上节回顾

  • 位图:通过记录每一个像素的颜色值,来存储和表达图像
  • 图像格式:BMP、JPEG、PNG、GIF、TIFF
  • 色彩模式:二值图像、灰度图像、RGB图像、RGBA图像、256色图像、CMYK、YCbCr、HSI

7.2.1 一些图像处理库

7.2.1.1 matplotlib.image方式

  • 仅支持导入PBG格式的图像,且功能有限

7.2.1.2 PIL(Python Imaging Library)

  • 功能丰富,且简单易用
  • 但是仅支持Python2.x版本,且已经停止更新

7.2.2 Pillow库

  • 在PIL的基础上发展而成的兼容版本
  • 支持python 3

7.2.2.1 安装和导入包/模块

7.2.2.1.1 Pillow的安装
  • 使用Anaconda已经安装好
  • 使用pip命令安装
pip install pillow
7.2.2.1.2 导入PIL.image模块
  • pillow的核心仍是PIL,所以在使用之前仍要导入PIL中image模块
from PIL import Image
  • iamge模块中有一个image类,通过image类的函数和方法和属性完成对图像的读取、显示和简单的操作
7.2.2.1.3 导入matplotlib.pyplot模块
  • 要使用matplotlib.pyplot来显示图片
import matplotlib.pyplot as plt

7.2.2.2 打开图像–Image.open()函数

Image.open(路径)# 返回image对象

有一个经常使用的图像叫做lena.tiff可以在网上下载,网址为http://www.lenna.org/
然后可以在该文件目录下打开

img = Image.open('lena.tiff')

得到图像对象img

7.2.2.3 保存图像-save()方法

图像对象.save(文件路径)
  • 参数是被保存的文件路径
  • 对于上述lena.tiff图片就是
img.save('test.tiff')
  • save()方法不仅能够保存图像,还可以改变文件名的后缀,就可以转换图像格式
img.save('lena.jpg') # 将原图存储为jpg格式
img.save('lena.bmp') # 将原图存储为bpm格式

7.2.2.4 图像对象的主要属性

属性 说明
图像对象.format 图像格式
图像对象.size 图像尺寸
图像对象.mode 色彩模式

例如:

>>> from PIL import Image 
>>> import matplotlib.pyplot as plt

>>> img = Image.open('lena.tiff') 
>>> img.save('test.tiff') 
>>> img.save('test.jpg')  
>>> img.save('test.bmp') 
>>> img1 = Image.open("test.jpg") 
>>> img2 = Image.open("test.bmp") 


>>> print("image:",img.format) 
image: TIFF
>>> print("image1:",img1.format) 
image1: JPEG
>>> print("image2:",img2.format) 
image2: BMP



>>> print("size:",img.size) 
size: (512, 512)
>>> print("mode:",img.mode) 
mode: RGB

7.2.2.5 显示图像

*可以使用matpltlib.pyplot模块中的 imshow()函数show()函数显示图像

  • **plt.figure()**首先创建画布
  • **imshow()**函数负责对图像进行处理,并且显示它的格式
  1. 参数cmap=“gray”;意思是图像都是以灰度图像显示的
plt.imshow(image对象/Numpy数组) 
  • 然后调用**show()**函数显示出来
>>> plt.figure(figsize=(5,5))
<Figure size 500x500 with 0 Axes>
>>> plt.imshow(img)   
<matplotlib.image.AxesImage object at 0x0000022508D1B908>
>>> plt.show()

运行结果为:
【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程(七)(数字图像基础))_第6张图片

7.2.2.6 分别显示不同类别的图像

from PIL import Image 
import matplotlib.pyplot as plt

img = Image.open('lena.tiff') 
img.save('test.tiff') 
img.save('test.jpg')
img.save('test.bmp')
img = Image.open("test.tiff")
img1 = Image.open("test.jpg")
img2 = Image.open("test.bmp")

plt.figure(figsize=(15,5))

plt.subplot(131)
plt.axis("off")
plt.imshow(img)
plt.title(img.format)

plt.subplot(132)
plt.axis("off")
plt.imshow(img1)
plt.title(img1.format)

plt.subplot(133)
plt.axis("off")
plt.imshow(img2)
plt.title(img2.format)

plt.show()

结果输出为:
【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程(七)(数字图像基础))_第7张图片

7.2.2.7 转换图像的色彩模式

取值 色彩模式
1 二值图像(每个像素8位二进制)
L 灰度图像
P 8位彩色图像
RGB 24位彩色图像
RGBA 32位彩色图像
CMYK CMYK彩色图像
YCbCr YCbCr彩色图像
I 32位整型灰度图像
F 32位浮点灰度图像
图像对象.convert(色彩模式)

例如:

img_gray = img.convert("L")
print("mode=",img_gray.mode)

plt.figure(figsize=(5,5))
plt.imshow(img_gray)
plt.show()

输出结果为:
【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程(七)(数字图像基础))_第8张图片
本来我寻思着为啥我这个还带点青色,难道我运行错了,本来想留着这个疑问,但是当我存储以后,发现是这样的:
【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程(七)(数字图像基础))_第9张图片

还可以使用save()方法将其存储为新的文件

img_gray.save("lena_gray.bmp")
  • 虽然使用convert()函数也可以把灰度图像转换为彩色图像,但是实际上很难恢复到原来的样子

7.2.2.8 颜色通道的分离与合并

图像对象.split()
Image.merge(色彩模式,图像列表)

例如:

from PIL import Image 
import matplotlib.pyplot as plt

img = Image.open('lena.tiff') 
img_r,img_g,img_b = img.split()

plt.figure(figsize=(8,8))

plt.subplot(221)
plt.axis("off")
plt.imshow(img_r,cmap="gray")# cmap是以灰度的方式显示
plt.title("R",fontsize=20)

plt.subplot(222)
plt.axis("off")
plt.imshow(img_g,cmap="gray")
plt.title("G",fontsize=20)

plt.subplot(223)
plt.axis("off")
plt.imshow(img_b,cmap="gray")
plt.title("B",fontsize=20)

img_rgb = Image.merge("RGB",[img_r,img_g,img_b])
# 使用merge方法将所有的通道合并
plt.subplot(224)
plt.axis("off")
plt.imshow(img_rgb)
plt.title("RGB",fontsize=20)

plt.show()

输出结果为:
【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程(七)(数字图像基础))_第10张图片

  • RGB通道采用灰度图表示颜色的亮度,R图R通道中中,颜色越浅,表示红色越亮,颜色越深,表示红色越暗

7.2.2.9 转化为数组

  • 计算机处理图象时,有时候会先把转化为数组
  • 数组中的元素对应像素中的各个像素点,然后再逐像素的进行计算和处理
  • 将图像对象转化为numpy数组
np.array(图像对象)
import numpy as np
arr_img = np.array(img)
print("shape:",arr_img.shape,"\n")
print(arr_img)

输出结果为

shape: (512, 512, 3)

[[[226 137 125]
  [226 137 125]
  [223 137 133]
  ...
  [230 148 122]
  [221 130 110]
  [200  99  90]]

 [[226 137 125]
  [226 137 125]
  [223 137 133]

 ...


 [[ 82  22  57]
  [ 82  22  57]
  [ 96  32  62]
  ...
  [179  70  79]
  [181  71  81]
  [185  74  81]]]
7.2.2.9.1 将灰度图像lena_gray.bmp转化为数组(反色)
from PIL import Image 
import matplotlib.pyplot as plt
import numpy as np
# 已经创建了lena_gray.bmp文件

img_gray = Image.open("lena_gray.bmp")
arr_img_gray = np.array(img_gray)
print("\nshape:",arr_img_gray.shape)
print(arr_img_gray)

输出结果为:

shape: (512, 512)

[[162 162 162 ... 170 155 128]
 [162 162 162 ... 170 155 128]
 [162 162 162 ... 170 155 128]
 ...
 [ 43  43  50 ... 104 100  98]
 [ 44  44  55 ... 104 105 108]
 [ 44  44  55 ... 104 105 108]]

我们可以对这个值做一些处理:

from PIL import Image 
import matplotlib.pyplot as plt
import numpy as np

img_gray = Image.open("lena_gray.bmp")
arr_img_gray = np.array(img_gray)

# 新数组每个值都是原来的灰度值被255减去
arr_img_new = 255 - arr_img_gray

plt.figure(figsize=(10,5))

plt.subplot(221)
plt.axis("off")
plt.imshow(arr_img_gray,cmap="gray")

plt.subplot(222)
plt.axis("off")
plt.imshow(arr_img_new,cmap="gray")

plt.show()

输出结果为:
【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程(七)(数字图像基础))_第11张图片

  • 可以看到图像中的灰度和原图正好相反
  • Image模块中还提供了很多封装好的函数,可以直接对图片进行更上层的处理,不用转换为数组,对像素进行运算

7.2.2.10 对图像的缩放、旋转和镜像

7.2.2.10.1 缩放图像
7.2.2.10.1.1 img.resize()方法
图像对象.resize((width,height))

例如:

from PIL import Image 
import matplotlib.pyplot as plt
import numpy as np

img = Image.open("lena.tiff")

plt.figure(figsize=(5,5))
img_small = img.resize((64,64))

#将其保存起来
img_small.save("lena_s.jpg")

plt.imshow(img_small)
plt.show()

输出结果为:
【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程(七)(数字图像基础))_第12张图片

  • 可以看到图片的质量明显下降了,出现了类似马赛克的效应,可以看到现在图片的尺寸已经变成了64*64,这个操作是一个降采样的过程
7.2.2.10.1.2 img.thumbnail()方法
  • 该方法是原地操作,返回值是none
  • 也就是说直接对img对象进行了缩放
7.2.2.10.2 旋转、镜像(即左右翻转)
图像对象.transpose(旋转方式)
  • 通过参数选择旋转或者翻转的方式
参数 说明
Image.FLIP_LEFT_RIGHT 水平翻转
Image.FLIP_TOP_BOTTOM 上下翻转
Image.ROTATE_90 逆时针旋转90°
Image.ROTATE_180 逆时针旋转180°
Image.ROTATE_270 逆时针旋转270°
Image.TRANSPOSE 将图像进行转置
Image.TRANSVERSE 将图像进行转置,再水平翻转

例如:

img_flr = img.transpose(Image.FLIP_LEFT_RIGHT)
img_r90 = img.transpose(Image.ROTATE_90)
img_tp = img.transpose(Image.TRANSPOSE)

例如,下面将这些变换的结果分别显示在不同的子途中

from PIL import Image 
import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = "SimHei"
img = Image.open("lena.tiff")

plt.figure(figsize=(10,10))

plt.subplot(221)
plt.axis("off")
plt.imshow(img)
plt.title("原图",fontsize=20)

plt.subplot(222)
plt.axis("off")
img_flr = img.transpose(Image.FLIP_LEFT_RIGHT)
plt.imshow(img_flr)
plt.title("左右翻转",fontsize=20)

plt.subplot(223)
plt.axis("off")
img_r90 = img.transpose(Image.ROTATE_90)
plt.imshow(img_r90)
plt.title("逆时针旋转90度",fontsize=20)

plt.subplot(224)
plt.axis("off")
img_tp = img.transpose(Image.TRANSPOSE)
plt.imshow(img_tp)
plt.title("转置",fontsize=20)

plt.show()

输出结果为:
【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程(七)(数字图像基础))_第13张图片

7.2.2.11 裁剪图像

  • 裁剪图像:再图像上指定的位置裁剪出一个矩形区域
图像对象.crop((x0,y0,x1,y1))
  • x0,y0 为左上角
  • x1,y1 为右下角
  • 返回值:图像对象

```python
img_region = img.crop((100,100,400,400))

例如:

from PIL import Image 
import matplotlib.pyplot as plt

img = Image.open("lena.tiff")

plt.figure(figsize=(10,5))

plt.subplot(121)
plt.imshow(img)

plt.subplot(122)
img_region = img.crop((100,100,400,400))# 注意y轴是从上往下而从小到大的
plt.imshow(img_region)

plt.show()

输出结果为:
【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程(七)(数字图像基础))_第14张图片

7.2.3 常用的图像处理库

  • skimage
  • cv2

7.3 实例:手写数字数据集MNIST

7.3.1 图像操作汇总表

图像操作 方法/函数/属性
打开图像 Image.open(路径)
保存图像 图像对象.save()
查看图像的属性 图像对象.format、图像对象.size、图像对象.mode
显示图像 plt.imshow(Image对象/Numpy数组)
转移图像的色彩模式 图像对象.convert(色彩模式)
颜色通道的分离和合并 图像对象.split()、Image.merge(色彩模式,图像列表)
将图像转换为数组 np.array(图像对象)
图像的缩放 图像对象.resize((width,height))
旋转和镜像 图像对象.transpose(旋转方式)

7.3.2 MNIST数据集

  • Mixed National Institute of standards and Technology and Technology database
  • New York University, Yann LeCun
  • 60000条训练数据和10000条测试数据
  • 由250个不同的人手写而成
  • 都是28*28像素,灰度图像
  • 将每一副图片存储在28*28的二维数组中,数组中的每个元素对应着图片中的每个像素
  • MNIST数据集已经被集成在keras中了,可以使用keras中的datasets模块来访问它

7.3.2.1 下载MNIST数据集

import tensorflow as tf
mnist = tf.keras.datasets.mnist
(train_x,train_y),(test_x,test_y) = mnist.load_data()

第一次会先进行下载:

Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz
 11493376/11490434 [==============================] - 12s 1us/step
  • 下载路径:C:\Users\Administrator\.keras\datasets\mnist.npz

7.3.2.2 输出训练集和测试集的长度

print("Training set:",len(train_x))
print("testing set:",len(test_x))

输出结果为:

Training set: 60000
testing set: 10000

7.3.2.3 输出图像数据和标记数据的形状

print("train_x:",train_x.shape,train_x.dtype)
print("trian_y:",train_y.shape,train_y.dtype)

输出结果为:

train_x: (60000, 28, 28) uint8
trian_y: (60000,) uint8

7.3.2.4 显示手写数字图片

7.3.2.4.1 输出数据集中的第1个样本
  • 这是一个28*28中的数组,数组中的每个元素对应图像的一个像素
  • 因为数字的背景为黑色,数字不为零的元素就是手写的笔画的部分
>>> train_x[0] 
array([[  0,   0,   0,   0,   0,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,   0,   0,   0,   0,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,   0],
       [  0,   0,   0,   0,   0,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,   0,   0,   0,   0,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,   0],
       [  0,   0,   0,   0,   0,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,   0,   0,   0,   0,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,   0],
       [  0,   0,   0,   0,   0,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,   0,   0,   0,   0,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,   0],
       [  0,   0,   0,   0,   0,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,   0,   0,   0,   0,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,   0],
       [  0,   0,   0,   0,   0,   0,   0,   0,   
0,   0,   0,   0,   3,
         18,  18,  18, 126, 136, 175,  26, 166, 255, 247, 127,   0,   0,
          0,   0],
       [  0,   0,   0,   0,   0,   0,   0,   0,  30,  36,  94, 154, 170,
        253, 253, 253, 253, 253, 225, 172, 253, 242, 195,  64,   0,   0,
          0,   0],
       [  0,   0,   0,   0,   0,   0,   0,  49, 238, 253, 253, 253, 253,
        253, 253, 253, 253, 251,  93,  82,  82,  56,  39,   0,   0,   0,
          0,   0],
       [  0,   0,   0,   0,   0,   0,   0,  18, 219, 253, 253, 253, 253,
        253, 198, 182, 247, 241,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,   0],
       [  0,   0,   0,   0,   0,   0,   0,   0,  80, 156, 107, 253, 253,
        205,  11,   0,  43, 154,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,   0],
       [  0,   0,   0,   0,   0,   0,   0,   0,   
0,  14,   1, 154, 253,
         90,   0,   0,   0,   0,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,   0],
       [  0,   0,   0,   0,   0,   0,   0,   0,   
0,   0,   0, 139, 253,
        190,   2,   0,   0,   0,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,   0],
       [  0,   0,   0,   0,   0,   0,   0,   0,   
0,   0,   0,  11, 190,
        253,  70,   0,   0,   0,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,   0],
       [  0,   0,   0,   0,   0,   0,   0,   0,   
0,   0,   0,   0,  35,
        241, 225, 160, 108,   1,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,   0],
       [  0,   0,   0,   0,   0,   0,   0,   0,   
0,   0,   0,   0,   0,
         81, 240, 253, 253, 119,  25,   0,   0,   
0,   0,   0,   0,   0,
          0,   0],
       [  0,   0,   0,   0,   0,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,  45, 186, 253, 253, 150,  27,   0,   
0,   0,   0,   0,   0,
          0,   0],
       [  0,   0,   0,   0,   0,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,   0,  16,  93, 252, 253, 187,   0,   
0,   0,   0,   0,   0,
          0,   0],
       [  0,   0,   0,   0,   0,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,   0,   0,   0, 249, 253, 249,  64,   
0,   0,   0,   0,   0,
          0,   0],
       [  0,   0,   0,   0,   0,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,  46, 130, 183, 253, 253, 207,   2,   
0,   0,   0,   0,   0,
          0,   0],
       [  0,   0,   0,   0,   0,   0,   0,   0,   
0,   0,   0,   0,  39,
        148, 229, 253, 253, 253, 250, 182,   0,   
0,   0,   0,   0,   0,
          0,   0],
       [  0,   0,   0,   0,   0,   0,   0,   0,   
0,   0,  24, 114, 221,
        253, 253, 253, 253, 201,  78,   0,   0,   
0,   0,   0,   0,   0,
          0,   0],
       [  0,   0,   0,   0,   0,   0,   0,   0,  23,  66, 213, 253, 253,
        253, 253, 198,  81,   2,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,   0],
       [  0,   0,   0,   0,   0,   0,  18, 171, 219, 253, 253, 253, 253,
        195,  80,   9,   0,   0,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,   0],
       [  0,   0,   0,   0,  55, 172, 226, 253, 253, 253, 253, 244, 133,
         11,   0,   0,   0,   0,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,   0],
       [  0,   0,   0,   0, 136, 253, 253, 253, 212, 135, 132,  16,   0,
          0,   0,   0,   0,   0,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,   0],
       [  0,   0,   0,   0,   0,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,   0,   0,   0,   0,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,   0],
       [  0,   0,   0,   0,   0,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,   0,   0,   0,   0,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,   0],
       [  0,   0,   0,   0,   0,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,   0,   0,   0,   0,   0,   0,   0,   
0,   0,   0,   0,   0,
          0,   0]], dtype=uint8)
7.3.2.4.2 显示图片
import tensorflow as tf
import matplotlib.pyplot as plt

mnist = tf.keras.datasets.mnist
(train_x,train_y),(test_x,test_y) = mnist.load_data()

plt.axis("off")
plt.imshow(train_x[0],cmap="gray")
plt.show()

输出结果为:
【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程(七)(数字图像基础))_第15张图片

  • 下面输出这个图片的标签
>>> train_y[0] 
5
7.3.2.4.3 随机显示4幅手写数字图片
import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np

mnist = tf.keras.datasets.mnist
(train_x,train_y),(test_x,test_y) = mnist.load_data()


for i in range(4):
	num = np.random.randint(1,60000)

	plt.subplot(1,4,i+1)
	plt.axis("off")
	plt.imshow(train_x[num],cmap="gray")
	plt.title(train_y[num])

plt.show()

输出结果为:
【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程(七)(数字图像基础))_第16张图片

7.3.3 习题及相关库补充(未作,有时间写)

【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程(七)(数字图像基础))_第17张图片
【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程(七)(数字图像基础))_第18张图片
【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程(七)(数字图像基础))_第19张图片
【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程(七)(数字图像基础))_第20张图片

你可能感兴趣的:(深度学习,tensorflow,深度学习,python)