tensorflow学习之图像处理

# -*- coding: utf-8 -*- import tensorflow as tf import os #cifar_10=input_data from six.moves import xrange IMAGE_SISE=24 ## 原图像的尺度为32*32,但根据常识，信息部分通常位于图像的中央，这里定义了以中心裁剪后图像的尺寸 NUM_CLASSES=10 NUM_EXAMPLES_PER_EPOCH_FOR_TRAIN=50000 NUM_EXAMPLES_PER_EPOCH_FOR_EVAL=10000 #读取数据集，并根据数据集使用说明做数据预处理 def read_cifar(filename_queue): class CIFAR10Record(object): pass return CIFAR10Record() label_bytes=1 #2 for cifar_100 result.height=32 #结果中的行数 result.width=32 #结果中的列数 result.depth=3 #结果中的颜色通道数 image_bytes=result.height*result.width*result.depth record_bytes=label_bytes+image_bytes reader=tf.FixedLengthRecordReader(record_bytes) result.key,value=reader.read(filename_queue) #读取一行记录，从filename_queue队列中获取文件名 record_bytes=tf.decode_raw(value,tf.uint8) #将长度为record_bytes的字符串转换为uint8的向量 result.label==tf.cast(tf.strided_slice(record_bytes,[0],[label_bytes],tf.int32)) # [0]和[label_bytes]分别表示待截取片段的起点和长度 ，转换int32 depth_major=tf.reshape(tf.strided_slice(record_bytes,[label_bytes],[label_bytes+image_bytes]), [result.depth,result.height,result.width]) result.uint8image=tf.transpose(depth_major,[1,2,0]) # 将 [depth, height, width] 转换为[height, width, depth] return result #创建一个队列的批量图和标签 def _generate_image_and_label_batch(image,label,min_queue_examples,batch_size,shuffle): # 创建一个混排样本的队列，然后从样本队列中读取 'batch_size'数量的 images + labels数据（每个样本都是由images + labels组成） num_preprocess_threads=16 #预处理采用多线程 if shuffle: images,label_batch=tf.train.shuffle_batch( [image,label], batch_size=batch_size, num_threads=num_preprocess_threads, capacity=min_queue_examples+3*batch_size ) else: images,label_batch,=tf.train.batch( [image,label], batch_size=batch_size, num_threads=num_preprocess_threads, capacity=min_queue_examples ) tf.summary.image('images',images) #训练图像可视化 return images,tf.reshape(label_batch,[batch_size]) #使用Reader操作构建扭曲的输入(图像)用作CIFAR训练 def distorted_inputs(data_dir,batch_size): filenames=[os.path.join(data_dir,'data_batch_%d.bin'%i) for i in xrange(1,6)] for f in filenames: if not tf.gfile.Exists(f): raise ValueError('Faile to fine file:'+f) filename_queue=tf.train.string_input_producer(filenames) #创建文件名队列 read_input=read_cifar(filename_queue) #从文件名队列中读取样本 reshaped_image=tf.cast(read_input.uint8image,tf,float32) height=IMAGE_SIZE #用于训练神经网络的图像处理, width=IMAGE_SIZE #对图像进行了很多随机扭曲处理 distorted_image=tf.random_crop(reshaped_image,[height,width,3]) ##随机修建图像的某一块[height,width]区域 distorted_image=tf.image.random_flip_left_right(distorted_image) #随机水平翻转图像 distorted_image=tf.image.random_brightness(distorted_image,max_delta=63) #随机变换图像的亮度 distorted_image=tf.image.random_contrast(distorted_image,lower=0.2,upper=1.8) #随机变换图像的对比度 float_image=tf.image.per_image_standardization(distorted_image) #对图像进行标准化：减去均值并除以像素的方差 #设置张量的形状 float_image.set_shape([height,width,3]) read_input.label.set_shape([1]) #确保随机混排有很好的混合性 min_fraction_of_examples_queue=0.4 min_queue_examples=int(NUM_EXAMPLES_PER_EPOCH_FOR_TRAIN * min_fraction_of_examples_queue) print('Filling queue with %d CIFAR images before starting to train.' 'This will take a few minutes.'%min_queue_examples) #通过构建一个样本队列来生成一批量的图像和标签 return _generate_image_and_label_batch(float_image,read_input.label,min_queue_examples,batch_size,shuffle=True) #： 使用Reader ops操作构建CIFAR评估的输入 def inputs(eval_data,data_dir,batch_size): if not eval_data: filenames=[os.path.join(data_dir,'data_batch_%d.bin'% i) for i in xrange(1,6)] num_examples_per_epoch=NUM_EXAMPLES_PER_EPOCH_FOR_TRAIN else: filenames=[os.path.join(data_dir,'test_batch.bin')] num_examples_per_epoch=NUM_EXAMPLES_PER_EPOCH_FOR_EVAL for f in filenames: if not tf.gfile.Exists(f): raise ValueError('Failed to find file:'+f) filename_queue=tf.train.string_input_producer(filenames)#创建一个文件名队列 read_input=read_cifar(filename_queue) reshaped_image=tf.cast(read_input.uint8image,tf.float32) height=IMAGE_SISE width=IMAGE_SISE resized_image=tf.image.resize_image_with_crop_or_pad(reshaped_image, height,width)#裁剪图像的中心 float_image=tf.image.per_image_standardization(resized_image) #标准化：减去均值并除以像素的方差 float_image.set_shape([height,width,3]) #设置张量的形状 read_input.label.set_shape([1]) min_fraction_of_example_in_queue=0.4 min_queue_examples=int(num_examples_per_epoch * min_fraction_of_example_in_queue) return _generate_image_and_label_batch(float_image,read_input.label,min_queue_examples,batch_size,shuffle=False)

cifar10_input 图像处理