图像分类任务之爬取需要的训练图像数据集和去除不合格的图片

图像分类任务之爬取需要的训练图像数据集和去除不合格的图片_图像数据集色块消除_没瓤的瓜的博客-CSDN博客文章浏览阅读1k次，点赞5次，收藏18次。图像分类任务之爬取需要的训练图像数据集和去除不合格的图片一、获取数据集​相信不少学习机器学习和深度学习的小伙伴都会遇到这样的困难:训练的数据集上哪找啊，初学深度学习的我也饱受摧残，所以不多废话，先丢几个提供数据集的连接，以后说不定能用上ImageNet：https://image-net.org/download-imagesScikit-learn:http://scikit-learn.org/stable/datasets/index.htmlUCI数据集：http://ar_图像数据集色块消除https://blog.csdn.net/qq_41606730/article/details/116609107

图像分类任务之爬取需要的训练图像数据集和去除不合格的图片
一、获取数据集
​ 相信不少学习机器学习和深度学习的小伙伴都会遇到这样的困难:训练的数据集上哪找啊，初学深度学习的我也饱受摧残，所以不多废话，先丢几个提供数据集的连接，以后说不定能用上

ImageNet：https://image-net.org/download-images

Scikit-learn:http://scikit-learn.org/stable/datasets/index.html

UCI数据集：http://archive.ics.uci.edu/ml/

Kaggle数据集:https://www.kaggle.com/datasets

还有我最近发现的国内数据集网站：http://dataju.cn/Dataju/web/home

​ 但是，我还是有一个问题，数据集好大，好难下载，能不能有方法只下载自己用得到的数据集，还真有-----爬虫，一下代码来自网络
 

# -*- coding: utf-8 -*-
import re
import requests
from urllib import error
from bs4 import BeautifulSoup
import os

num = 0
numPicture = 0
file = ''
List = []


def Find(url, A):
    global List
    print('正在检测图片总数，请稍等.....')
    t = 0
    i = 1
    s = 0
    while t < 1000:
        Url = url + str(t)
        try:
            # 这里搞了下
            Result = A.get(Url, timeout=7, allow_redirects=False)
        except BaseException:
            t = t + 60
            continue
        else:
            result = Result.text
            pic_url = re.findall('"objURL":"(.*?)",', result, re.S)  # 先利用正则表达式找到图片url
            s += len(pic_url)
            if len(pic_url) == 0:
                break
            else:
                List.append(pic_url)
                t = t + 60
    return s


def recommend(url):
    Re = []
    try:
        html = requests.get(url, allow_redirects=False)
    except error.HTTPError as e:
        return
    else:
        html.encoding = 'utf-8'
        bsObj = BeautifulSoup(html.text, 'html.parser')
        div = bsObj.find('div', id='topRS')
        if div is not None:
            listA = div.findAll('a')
            for i in listA:
                if i is not None:
                    Re.append(i.get_text())
        return Re


def dowmloadPicture(html, keyword):
    global num
    # t =0
    pic_url = re.findall('"objURL":"(.*?)",', html, re.S)  # 先利用正则表达式找到图片url
    print('找到关键词:' + keyword + '的图片，即将开始下载图片...')
    for each in pic_url:
        print('正在下载第' + str(num + 1) + '张图片，图片地址:' + str(each))
        try:
            if each is not None:
                pic = requests.get(each, timeout=7)
            else:
                continue
        except BaseException:
            print('错误，当前图片无法下载')
            continue
        else:
            string = file + r'\\' + keyword + '_' + str(num) + '.jpg'
            fp = open(string, 'wb')
            fp.write(pic.content)
            fp.close()
            num += 1
        if num >= numPicture:
            return


if __name__ == '__main__':  # 主函数入口
    ##############################
    # 这里加了点
    headers = {
        'Accept-Language': 'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2',
        'Connection': 'keep-alive',
        'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64; rv:60.0) Gecko/20100101 Firefox/60.0',
        'Upgrade-Insecure-Requests': '1'
    }

    A = requests.Session()
    A.headers = headers
    ###############################
    word = input("请输入搜索关键词(可以是人名，地名等): ")
    # add = 'http://image.baidu.com/search/flip?tn=baiduimage&ie=utf-8&word=%E5%BC%A0%E5%A4%A9%E7%88%B1&pn=120'
    url = 'https://image.baidu.com/search/flip?tn=baiduimage&ie=utf-8&word=' + word + '&pn='

    # 这里搞了下
    tot = Find(url, A)
    Recommend = recommend(url)  # 记录相关推荐
    print('经过检测%s类图片共有%d张' % (word, tot))
    numPicture = int(input('请输入想要下载的图片数量 '))
    file = input('请建立一个存储图片的文件夹，输入文件夹名称即可')
    y = os.path.exists(file)
    if y == 1:
        print('该文件已存在，请重新输入')
        file = input('请建立一个存储图片的文件夹，)输入文件夹名称即可')
        os.mkdir(file)
    else:
        os.mkdir(file)
    t = 0
    tmp = url
    while t < numPicture:
        try:
            url = tmp + str(t)
            # 这里搞了下
            result = A.get(url, timeout=10, allow_redirects=False)

        except error.HTTPError as e:
            print('网络错误，请调整网络后重试')
            t = t + 60
        else:
            dowmloadPicture(result.text, word)
            t = t + 60
    print('当前搜索结束，感谢使用')
    print('猜你喜欢')

    for re in Recommend:
        print(re, end='  ')

运行效果

​ 下载结果

 

二、去除不完整的图片

​ 从网上爬取的图片，我们既不能保证图片格式的正确性（如PNG，GIF格式的图片直接改JPG后缀），也不能保证图片的完整性（如下载图片不完整），比如出现如下的状况

​ 图一：图片格式强行转化的结果

​ 图二：不完整的JPEG

经过大量的搜索，找到了较好的解决办法，参考博客https://blog.csdn.net/kingroc/article/details/90477650

import os
import shutil
from PIL import Image

DirList = [
     'C://Users//94244//jupyterProject//dataset//pet'
]


def is_valid_jpg(jpg_file):
    with open(jpg_file, 'rb') as f:
        f.seek(-2, 2)
        buf = f.read()
        return buf == b'\xff\xd9'


def is_valid_png(png_file):
    with open(png_file, 'rb') as f:
        f.seek(-3, 2)
        buf = f.read()
        if buf == b'\x60\x82\x00':
            return True
        elif buf[1:] == b'\x60\x82':
            return True
        else:
            return False


def is_valid_pic(pic_file):
    if pic_file.endswith('jpeg'):
        return is_valid_jpg(pic_file)

    elif pic_file.endswith('png'):
        return is_valid_png(pic_file)
    else:
        return False


for path in DirList:
    for file in os.listdir(path):
        pic_file = os.path.join(path, file)
        if not is_valid_pic(pic_file):
            try:
                img = Image.open(pic_file)
                img.load()
            except Exception as e:
                #print(e)
                print(pic_file)
                #shutil.copy(pic_file, '/home/king/Desktop/')
                #os.remove(pic_file)

通过运行这段代码指定数据集路径,找出不合格的图片直接删除，这样就不会出现Tensorflow Invalid JPEG data or crop window, data size的问题啦

​ 图三：查找结果