tensorflow数据增强

相信大家都听说过数据增强（Data Augmentation）,这是在做神经网络时非常极其重要的trick, 因为数据是宝贵的，稀有的，通过数据增强我们能让我们的数据量迅速增大，并且能使训练的模型具有一定抗噪能力。这篇文章主要探讨一下 tensorflow 关于数据增强的API.

先读取图片数据, 并输出我们的图片信息

import numpy as np
from PIL import Image# #***************案例1*numpy读取图片数据**********************#
img = Image.open("5.jpg", 'r')
img.show()
a = np.asarray(img, dtype=float)
print(img.mode)
# output RGB (1601, 1002)

没错，就是一个漂亮的小姐姐，hh

再先来个题外话，叫做图片数据的编码， tensorflow能支持的格式不多， jpg，ｐｎｇ，ｇｉｆ，ｂｍｐ这些常用格式倒是可以的，如果你的图片格式是很特殊的格式的话，　恐怕你就需要用其他处理方式先进行预处理了，　比如常用的医学图像　．ｎｉｉ格式　你就需要用ｎｉｂａｂｌｅ，　一些ｔｉｆｆ，ＤＩＣＯＭ，等你可能可以用　ＰＩＬ，ｃｖ２，ｏｐｅｎｓｌｉｄｅ　，　ｌｉｂｖｉｐｓ等等。

# ***# 读取图片，进行图片解码
# 读取图像的原始数据 返回值：<class 'bytes'>
# 也就是读取图片，将其转换成一串二进制串
image_raw_data = tf.gfile.FastGFile("5.jpg", 'rb').read()with tf.Session() as sess:# img_data--> <class 'tensorflow.python.framework.ops.Tensor'>
    img_data = tf.image.decode_jpeg(image_raw_data)print(img_data.eval())  # RGB模式输出一个三维数组
    # 用py_plot展示图片
  plt.imshow(img_data.eval())plt.show()# 将数据类型转化为uint8
    img_data = tf.image.convert_image_dtype(img_data, dtype=tf.uint8)# ***# 读取数据，进行图片编码
  encoded_image = tf.image.encode_png(img_data)with tf.gfile.GFile("6.png", 'wb') as f:f.write(encoded_image.eval())

接下来我们就一个个来看看，首先读取图片数据，并转化成ｆｌｏａｔ３２

image_raw_data = tf.gfile.FastGFile("5.jpg", 'rb').read()  # 500x500
with tf.Session() as sess:# img_data--> <class 'tensorflow.python.framework.ops.Tensor'>
    img_data = tf.image.decode_jpeg(image_raw_data)img_data = tf.image.convert_image_dtype(img_data, dtype=tf.float32)

print(type(img_data)　＃　class 'tensorflow.python.framework.ops.Tensor'>

（一）调整图片大小ｒｅｓｉｚｅ

一般来说网络上的图像大小不确定，但是神经网络的输入节点的个数是固定的。所以与处理是需要统一图片大小

调整大小方法有以下几个：
    # 1、双线性插值法
    # 2、最近邻居法
    # 3、双三次插值法
    # 4、面积插值法

resize_img = tf.image.resize_images(img_data, [300, 300], method=0)  # 一共提供了四种方法
＃　<class 'tensorflow.python.framework.ops.Tensor'>
plt.imshow(resize_img.eval())
plt.show()＃　０代表ResizeMethod.BILINEAR，依次类推

输出结果：

（二）图片剪切填充

# 放大图片就自动周围填充黑色；缩小图片就自动从图片中间剪切
resize_img = tf.image.resize_image_with_crop_or_pad(img_data, 600, 600)
plt.imshow(resize_img.eval())
plt.show()

输出结果：

（三）图片按比例大小缩小图片（也是一种剪切，类似上一种方式）

central_cropped = tf.image.central_crop(img_data, 0.5)　　
plt.imshow(central_cropped.eval())
plt.show()

输出结果：

（四）方框剪切

# # bounding_box_crop
# # similar func:tf.image.pad_to_bounding_box
# 图片（0， 0）位置在左上角， （50,50）指height，width在图片左上角的偏移量
resize_img = tf.image.crop_to_bounding_box(img_data, 50, 50, 300, 300)

（五）翻转以及随机翻转

# #图像翻转# 数据增强
    # 上下翻转、左右翻转、对角线翻转
    # tf.image.transpose_image(img_data)
    # tf.image.flip_left_right(img_data)
    flip_img = tf.image.flip_up_down(img_data)plt.imshow(flip_img.eval())plt.show()# 随机翻转 推荐应用这个方法
    # 随机上下左右、亮度、对比度、色相、饱和度
    # tf.image.random_flip_up_down(img_data)
    # tf.image.random_brightness()
    # tf.image.random_contrast()
    # tf.image.random_hue()
    # tf.image.random_saturation()
    rand_flip_img = tf.image.random_flip_left_right(img_data, seed=1)plt.imshow(rand_flip_img.eval())plt.show()

（六）图像色彩调整（五　中包含了一些色彩调整函数，不过是随机的就直接列在上面了，方便大家总结理解）

# 调整图片亮度、对比度、gamma、色相、饱和度
# tf.image.adjust_contrast()
# tf.image.adjust_gamma()
# tf.image.adjust_hue()
# tf.image.adjust_saturation()
adjust_img = tf.image.adjust_brightness(img_data, -0.5)
# 将图片亮度变为均值为0，方差为1
adjust_img = tf.image.per_image_standardization(img_data)
print(img_data.eval())

(七)图像标注

# # tf.image.draw_bounding_boxes函数的输入是一个batch的数据，也就是
#   多张图像组成的四维矩阵
#   第一个输入参数img_data中数据类型应该是实数,前面最初已经转换成了tf.float32
batched = tf.expand_dims(img_data, 0)
#  [0.2, 0.3, 0.5, 0.8]给出的是图像中的相对位置 [y_min, x_min, y_max, x_max]
boxes = tf.constant([[[0.2, 0.3, 0.48, 0.65]]])
res = tf.image.draw_bounding_boxes(batched, boxes, name='bounding_box')
plt.subplot(121), plt.imshow(img_data.eval()), plt.title('original')
plt.subplot(122), plt.imshow(np.asarray(res.eval())[0]), plt.title('result')
# plt.imsave(fname="save.jpg", arr=np.asarray(res.eval())[0])  # 保存图片
plt.show()

上面图片做标注不是很明显，换张女神图片来码代码~

（八）截取标记部分

# 随机截取图像上有信息含量的部分，也可以提高模型健壮性
# 此函数为图像生成单个随机变形的边界框。函数输出的是可用于裁剪原始图像的单个边框。
# 返回值为3个张量：begin，size和 bboxes。前2个张量用于 tf.slice 剪裁图像。
# 后者可以用于 tf.image.draw_bounding_boxes 函数来画出边界框。
boxes = tf.constant([[[0.2, 0.3, 0.48, 0.65]]])
print(np.asarray(img_data).shape)
begin, size, bbox_for_draw = tf.image.sample_distorted_bounding_box(tf.shape(img_data),
                                                                    bounding_boxes=boxes,
                                                                    min_object_covered=0.1)
# batched = tf.expand_dims(tf.image.convert_image_dtype(img_data, tf.float32), 0)
# image_with_box = tf.image.draw_bounding_boxes(batched, bbox_for_draw)
distorted_image = tf.slice(img_data, begin, size)
plt.imshow(distorted_image.eval())
plt.show()

tensorflow 数据增强处理基本上就这些啦~用起来，训练神经网络才是关键。

tensorflow数据增强相关推荐

深度学习--TensorFlow（7）拟合（过拟合处理）（数据增强、提前停止训练、dropout、正则化、标签平滑）
目录拟合 1.拟合情况 2.抵抗过拟合方法过拟合处理(防止过拟合): 一.数据增强 1.设置图像生成器 2.载入图片 3.图像转三维数据 4.三维转四维 5.生成图片(用图像生成器) 代码二.提 ...
【tensorFlow】——图像数据增强、读取图像、保存图像
#!/usr/bin/env python # -*- coding: utf-8 -*- # @Time : 2021/4/13 10:54 # @Author : @linlianqin # @S ...
深度学习之数据增强方案和TensorFlow操作
一.数据增强的方法介绍增加训练数据, 则能够提升算法的准确率, 因为这样可以避免过拟合, 而避免了过拟合你就可以增大你的网络结构了. 当训练数据有限的时候, 可以通过一些变换来从已有的训练数据集中生 ...
tensorflow中的正则化函数在_tensorflow中的正则化及数据增强
正则化: 一般可以通过减少特征或者惩罚不重要特征的权重来缓解过拟合,但是我们通常不知道该惩罚那些特征的权重,而正则化就是帮助我们惩罚特征权重的,即特征的权重也会成为模型的损失函数一部分.可以理解为, ...
tensorflow实现数据增强(随机裁剪、翻转、对比度设置、亮度设置)
数据增强(Data Augmentation):是指对图片进行随机的旋转.翻转.裁剪.随机设置图片的亮度和对比度以及对数据进行标准化(数据的均值为0,方差为1).通过这些操作,我们可以获得更多的图片样 ...
用tensorflow进行数据增强
深度学习数据增强@TOC 用tensorflow进行数据增强这几天跑代码,数据量不多,为了防止过拟合和加强训练准确度,就想着做一些图片的数据增强,在网上找了一些代码,能实现功能但是巨慢,甚至比我深度 ...
tensorflow 猫狗识别数据增强
文章目录卷积网络参数网络配置模型训练和效果展示完整代码数据增强角度旋转平移变换缩放 channel_shift 翻转 rescale变化图像填充任务介绍: 有猫和狗的图片,需要对这 ...
是你的数据还不够强！谷歌大脑「数据增强」开源，大神QuocLe出品
你的数据还不够强. 玩深度学习的人都知道,AI算法大部分是数据驱动.数据的质量一定程度上决定了模型的好坏. 这就有了深度学习天生的一个短板:数据不够多.不够好. 而数据增强就是解决这一问题的有效办法. ...
谷歌大脑开源「数据增强」新招数：ImageNet准确率达85%，大神Quoc Le出品
十三发自凹非寺量子位报道 | 公众号 QbitAI 你的数据还不够强. 玩深度学习的人都知道,AI算法大部分是数据驱动.数据的质量一定程度上决定了模型的好坏. 这就有了深度学习天生的一个短板 ...

tensorflow数据增强

先读取图片数据, 并输出我们的图片信息

没错，就是一个漂亮的小姐姐，hh

tensorflow数据增强相关推荐

最新文章

热门文章