tensorflow 图像处理

在《TensorFlow实战Google深度学习框架》中，关于图像处理的程序因为版本变更，运行时会报错，现在按照最新的函数方式调试通过，记录下来备查：

# -*- coding: utf-8 -*-

"""

Created on Tue Dec 26 11:27:16 2017

@author: Administrator

"""

import numpy as np

import matplotlib.pyplot as plt

import tensorflow as tf

import os

PIC_DIR = './datasets'

PIC_FILE= 'cat.jpg'

'''

print(os.getcwd())

os.chdir(os.getcwd()+"\\datasets")

print(os.getcwd())

'''

image_raw_data = tf.gfile.FastGFile(os.path.join(PIC_DIR,PIC_FILE),'rb').read()

with tf.Session() as sess:

    img_data = tf.image.decode_jpeg(image_raw_data)

    

    # 输出解码之后的三维矩阵。

    # 解码之后的结果是一个张量，使用它的取值前需要明确调用运行的过程

    print(img_data.eval())

    img_data.set_shape([1797,2673,3])

    print(img_data.get_shape())

with tf.Session() as sess:

    plt.imshow(img_data.eval())

    plt.show()

    

    # 重新编码保存为 jpg 图像：

    encoded_image = tf.image.encode_jpeg(img_data)

    with tf.gfile.FastGFile(os.path.join(PIC_DIR,'catsave.jpg'),'wb') as f:

        f.write(encoded_image.eval())

    

'''

# 重新调整图片大小

with tf.Session() as sess:

    # method:图像调整算法：取值 0 - 3

    # 0: 双线性插值法

    # 1: 最近邻居法

    # 2: 双三次插值法

    # 3: 面积插值法

    # 注意：这里：600是 y 坐标，300是 x 坐标

    resized = tf.image.resize_images(img_data,[600,300],method=0)

    print(img_data.get_shape())

    

    # TensorFlow的函数处理图片后存储的数据是float32格式的，需要转换成uint8才能正确打印图片

    print('Digital type: ',resized.dtype)

    

    cat = np.asarray(resized.eval(),dtype='uint8')

    # tf.image.convert_image_dtype(img_data,dtype=tf.float32)

    plt.imshow(cat)

    plt.show()

    

# 裁剪和填充图片

with tf.Session() as sess:

    croped = tf.image.resize_image_with_crop_or_pad(img_data,1000,1000)

    padded = tf.image.resize_image_with_crop_or_pad(img_data,3000,3000)

    plt.imshow(croped.eval())

    plt.show()

    plt.imshow(padded.eval())

    plt.show()

    

# 截取中间50%的图片¶

with tf.Session() as sess:

    central_cropped = tf.image.central_crop(img_data,0.5)

    plt.imshow(central_cropped.eval())

    plt.show()

    

#  翻转图片

with tf.Session() as sess:

    # up and down turnover:

    flipped1 = tf.image.flip_up_down(img_data)

    

    # left right turnover:

    flipped2 = tf.image.flip_left_right(img_data)

    

    # transpose turnover:

    transposed = tf.image.transpose_image(img_data)

    

    plt.imshow(flipped1.eval())

    plt.show()

    

    plt.imshow(flipped2.eval())

    plt.show()

    

    plt.imshow(transposed.eval())

    plt.show()

    

    # 以一定概率上下翻转图片。

    flipped3 = tf.image.random_flip_up_down(img_data)

    plt.imshow(flipped3.eval())

    plt.show()

    

    # 以一定概率左右翻转图片。

    flipped4 = tf.image.random_flip_left_right(img_data)

    plt.imshow(flipped4.eval())

    plt.show()

    

# 图片色彩调整

with tf.Session() as sess:

    

    adjusted1 = tf.image.adjust_brightness(img_data,-0.5)

    

    adjusted2 = tf.image.adjust_brightness(img_data,0.5)

    

    adjusted3 = tf.image.random_brightness(img_data, max_delta=0.5)

    

    adjusted4 = tf.image.adjust_contrast(img_data,-5)

    

    adjusted5 = tf.image.adjust_contrast(img_data,5)

    adjusted6 = tf.image.random_contrast(img_data,1,8)

    plt.imshow(adjusted6.eval())

    plt.show()    

    

# 添加色相和饱和度

with tf.Session() as sess:

    hue_adjusted1 = tf.image.adjust_hue(img_data,0.1) 

    hue_adjusted2 = tf.image.adjust_hue(img_data, 0.3)

    hue_adjusted3 = tf.image.adjust_hue(img_data, 0.6)

    hue_adjusted4 = tf.image.adjust_hue(img_data, 0.9)

    

    # 在[-max_delta, max_delta]的范围随机调整图片的色相。max_delta的取值在[0, 0.5]之间。

    hue_adjusted5 = tf.image.random_hue(img_data, 0.5) 

    

    # 将图片的饱和度-5

    sat_adjusted1 = tf.image.adjust_saturation(img_data,-5)

    sat_adjusted2 = tf.image.adjust_saturation(img_data,-5)   

    

    # 在[lower, upper]的范围随机调整图的饱和度。

    sat_adjusted3 = tf.image.random_saturation(img_data, 1, 3)

    

    # 图像标准化过程：将代表一张图片的三维矩阵中的数字均值变为0，方差变为1。

    std_adjusted = tf.image.per_image_standardization(img_data)

    plt.imshow(std_adjusted.eval())

    plt.show()   

'''

# 添加标注框并裁减

with tf.Session() as sess:

    # 4个数字分别代表：[ymin,xmin,ymax,xmax]

    # 这里有2组数据，代表有2个标注框

    boxes = tf.constant([[[0.05, 0.05, 0.9, 0.7], [0.35, 0.47, 0.5, 0.56]]])

    

    img_data2 = tf.image.resize_images(img_data,[180,267],method=1)

    print(type(img_data2),' ** ', img_data2.shape, ' ** ', img_data2.dtype)

    print(img_data.get_shape())

    

    plt.imshow(img_data2.eval())

    plt.show()    

    

    batched = tf.expand_dims(tf.image.convert_image_dtype(img_data2,tf.float32),0)

    image_with_box = tf.image.draw_bounding_boxes(batched,boxes)    

    plt.imshow(image_with_box[0].eval())

    plt.show()

    begin,size,bbox_for_draw = tf.image.sample_distorted_bounding_box(tf.shape(img_data2),bounding_boxes=boxes,min_object_covered=0.1)    

    distorted_image = tf.slice(img_data2,begin,size)

    plt.imshow(distorted_image.eval())

    plt.show()