Tensorflow中预处理图像的方法

1.方法一:ImageDataGenerator(数据增强)

(1)ImageDataGenerator

数据增强
mydata=ImageDataGenerator(
     rescale=所有数据集将乘以该数值,
     rotation_range=随即旋转角度数范围,
     width_shift_range=随即宽度偏移量,
     height_shift_range=随即高度偏移量,
     horizontal_flip=是否随机水平翻转,
     zoom_range=随机缩放的范围
     该函数可以增强图片数据,需要fit函数来对指定的数据进行增强,这里要求是四维数据(图片张数,图片长度,图片宽度,灰度),先reshape为四维数据然后调用fit函数e

(2).flow,.flow_from_directory

推荐这位博主:"https://blog.csdn.net/qq_31119155/article/details/90170755

(3)实例

from tensorflow.keras.preprocessing.image import ImageDataGenerator

#图片的大小
img_h,img_w=128,128
#batch_size的大小
batch_size=4
#训练图片数据的路径
train_data_dir='../images/train'
#验证图片数据集的路径
validation_data_dir='../images/valid'
#数据增强
train_datagen=ImageDataGenerator(rescale=1./255)
validation_datagen=ImageDataGenerator(rescale=1./255)
#加载给定路径下的图片数据集并进行处理
train_generate=train_datagen.flow_from_directory(
    train_data_dir,
    target_size=(img_h,img_w),
    batch_size=batch_size,
    class_mode='categorical',
    shuffle=True
)
validation_generate=validation_datagen.flow_from_directory(
    validation_data_dir,
    target_size=(img_h,img_w),
    batch_size=batch_size,
    class_mode='categorical',
    shuffle=True
)

2.方法二:tf.keras.utils

(1)get_file

tf.keras.utils.get_file(
    fname=None,                               # 文件的名称。 若指定了绝对路径 /path/to/file.txt,则文件将保存在该位置。 若没有,将使用原始文件的名称。
    origin=None,                              # 文件的原始 URL。
    untar=False,                              # 已弃用,取而代之的是 extract 参数。 布尔值,文件是否应该被解压
    md5_hash=None,                            # 已弃用,取而代之的是 file_hash 参数。 用于验证的文件的 md5 哈希
    file_hash=None,                           # 下载后文件的预期哈希字符串。 同时支持 sha256 和 md5 哈希算法。
    cache_subdir='datasets',                  # 保存文件的 Keras 缓存目录下的子目录。 如果指定了绝对路径 /path/to/folder,则文件将保存在该位置。
    hash_algorithm='auto',                    # 选择哈希算法来验证文件。 有“md5”、“sha256”和“auto”。 默认的“自动”检测正在使用的哈希算法。
    extract=False,                            # True 尝试将文件解压缩为存档,例如 tar 或 zip。
    archive_format='auto',                    # 尝试提取文件的存档格式。 有“auto”、“tar”、“zip”和“无”。 'tar' 包括 tar、tar.gz 和 tar.bz 文件。默认的 'auto' 对应于 ['tar', 'zip']。 None 或空列表将返回找不到匹配项。
    cache_dir=None                            # 存储缓存文件的位置,当 None 默认为默认目录 ~/.keras/。
)

(2)image_dataset_from_directory

从目录中读取数据并进行预处理

tf.keras.utils.image_dataset_from_directory(
    directory, #数据存放目录
    labels='inferred', #标签由目录结构推断
    label_mode='int', #标签编码方式:int、categorical、binary;分别为标签编码为整数、类别向量、二分类编码为0或1
    class_names=None, #用于labels='inferred'时,类名的显式列表(必须匹配子目录的名称)。用于控制类的顺序(否则使用字母数字顺序)。
    color_mode='rgb', #“grayscale”、“rgb,默认值:“rgb”,将图像转为 1、3、4通道
    batch_size=32, #一次处理图像的数量
    image_size=(256, 256), #指定读取图像后,调整图像大小
    shuffle=True, #是否打乱原数据的顺序
    seed=None, #随机种子
    validation_split=None, #验证集分割比例
    subset=None, #要返回的数据的子集为training或者validation或者both(训练集和验证集组成的元组)
    interpolation='bilinear',#调整图像大小时用的插值方法,默认bilinear,
    follow_links=False, #是否访问符号链接指向的子目录
    crop_to_aspect_ratio=False, #调整图像大小时是否保留纵横比
    **kwargs
) 

(3)pathlib.Path 与 os.path

pathlib.Path 与 os.path

(4)实例

import numpy as np
from PIL import Image
import tensorflow as tf

import pathlib
# dataset_url = "https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz"

#数据集路径的位置
dataset_url=r'E:\myDataset\flower_photos'
#从给定路径下加载数据集
data_dir = tf.keras.utils.get_file(origin=dataset_url,
                                   fname='flower_photos',
                                   untar=True)
data_dir = pathlib.Path(data_dir)

print(len(list(data_dir.glob('*/*.jpg'))))
roses=list(data_dir.glob('roses/*'))
rose_img=Image.open(str(roses[0]))
rose_img.show('roseImage')

#图片的大小
img_h,img_w=180,180
#batch_size的大小
batch_size=4
#将使用 80% 的图像进行训练,20% 的图像进行验证。
train_data=tf.keras.utils.image_dataset_from_directory(
    data_dir,
    validation_split=0.2,
    subset='training',
    seed=123,
    image_size=(img_h,img_w),
    batch_size=batch_size
)
val_data=tf.keras.utils.image_dataset_from_directory(
    data_dir,
    validation_split=0.2,
    subset='validation',
    seed=123,
    image_size=(img_h,img_w),
    batch_size=batch_size
)

Tensorflow中预处理图像的方法_第1张图片

Tensorflow中预处理图像的方法_第2张图片

3.方法三:tf.keras.Sequential和tf.image

(1)tf.keras.Sequential使用方法

#进随机的翻转和旋转
data_augmentation = tf.keras.Sequential([
  tf.keras.layers.RandomFlip('horizontal'),
  tf.keras.layers.RandomRotation(0.2),
])

(2)示例:以CIFAR10数据集为例

import os
import cv2
import keras
import torch
import numpy as np
from PIL import Image
import tensorflow as tf
import matplotlib.pyplot as plt
from tensorflow.keras import layers

#加载数据集
(img_train,label_train),(img_test,label_test)=tf.keras.datasets.cifar10.load_data()

#查看数据集情况
print('img_train.shape: {}'.format(img_train.shape))
print('label_train.shape: {}'.format(label_train.shape))
print('img_test.shape: {}'.format(img_test.shape))
print('label_test.shape: {}'.format(label_test.shape))

#查看数据集类型
print('dtype: {}'.format(type(img_train[0])))
print('dtype: {}'.format(type(label_train[0])))

#img_train[0].shape:[32,32,3]显示图片
print(img_train[0].shape)
cv2.imshow('',img_train[0])
cv2.waitKey(0)
cv2.destroyAllWindows()

#数据增强
data_augmentation = tf.keras.Sequential([
  tf.keras.layers.RandomFlip('horizontal'),
  tf.keras.layers.RandomRotation(0.2),

])
img_train=data_augmentation(img_train)
#查看数据类型和维度
print(type(img_train[0]))
print(img_train[0].shape)
#对图像进行升维[32,32,3]=>[1,32,32,3]
print(tf.expand_dims(img_train[0], 0))

Tensorflow中预处理图像的方法_第3张图片  

#显示数据增强之后的图片
for i in range(9):
    ax = plt.subplot(3, 3, i + 1)
    augmented_image = data_augmentation(tf.expand_dims(img_train[0], 0))
    plt.imshow(augmented_image[0] / 255)
    plt.axis('off')
plt.show()

​​​​​​​

Tensorflow中预处理图像的方法_第4张图片

 

(3)tf.image数据增强

推荐这位博主:

https://blog.csdn.net/akadiao/article/details/78541763

例如:进行左右变换:(其他的tf.image.数据增强方法也是一样的操作)

原图:​​​​​​​ 

Tensorflow中预处理图像的方法_第5张图片

import os
import cv2
import numpy as np
from PIL import Image
import tensorflow as tf
import matplotlib.pyplot as plt
from tensorflow.keras.preprocessing.image import img_to_array

#读取图像
img=Image.open(r'myDataset/flower_photos/daisy/5547758_eea9edfd54_n.jpg')
img.show()
#转换为array类型
imgToArray=img_to_array(img)
randImg=tf.image.random_flip_left_right(image=imgToArray,seed=7)
print(randImg)
print(randImg.shape)
#显示图片方式一
plt.imshow(img_to_array(randImg)/255)
plt.show()
#显示图片方式二
cv2.imshow('img',img_to_array(randImg)/255)
cv2.waitKey(0)
cv2.destroyAllWindows()

左右变换之后的图:

Tensorflow中预处理图像的方法_第6张图片

 

4.方法四:

自己写一个函数对图像进行预处理:

import os
import cv2
import numpy as  np
from PIL import Image
#使用Image对图像进行预处理
def preprocess_image(img_path,target_size):
    """
    :param img_path: 图片路径
    :param target_size: 图片大小
    :return:
    """
    #读取图像
    image=Image.open(img_path)
    #判断图像的通道是否为RGB
    if image.mode!='RGB':
        image=image.convert('RGB')
    #对图像的大小进行缩放
    image=image.resize(target_size)
    #将图像的类型转换为向量
    image=img_to_array(image)
    #对图像进行归一化
    image=image/255.0
    #对图像的第一维度进行升维
    image=np.expand_dims(image,axis=0)
    return image

你可能感兴趣的:(学习中的一点总结,深度学习,人工智能)