图像集存储成MNIST数据集格式实现

有时会用到将一组图像存放成MNIST中那样的数据格式，以便于用于网络的训练和测试，如MNSIT中的测试集标签t10k-labels.idx1-ubyte和测试集图像t10k-images.idx3-ubyte，各包含了10000个样本，这里以此两个测试集为例详细说明下实现过程：

在http://yann.lecun.com/exdb/mnist/ 中对MNIST的数据存放格式进行了介绍，存储的数据都以大多数非英特尔处理器使用的MSB优先(高端)格式存储,英特尔处理器和其他低端机器的用户必须翻转标头的字节(All the integers in the files are stored in the MSB first(high endian) format used by most non-Intel processors. Users of Intel processors and other low-endian machines must flip the bytes of the header.)。

t10k-labels.idx1-ubyte(训练集标签train-labels.idx1-ubyte与此存放格式完全相同)：第1至第4个字节存放magic number(MSB first)；第5至第8个字节存放标签数即10000;从第9个字节开始,每个字节存放一个标签值(label value)，标签值的范围为0到9。

此处的magic number(MSB first)是一个四个字节的整数，是一个IDX文件格式；第1，第2个字节总是0；第3个字节值表示数据的类型，如0x08表示unsigned byte；0x09表示signed byte；0x0B表示short(2 bytes)；0x0C表示int(4 bytes)；0x0D表示float(4 bytes)；0x0E表示double(8 bytes);因为t10k-labels.idx1-ubyte中标签值范围为0到9，因此这里第3字节值为0x08；第4个字节表示向量/矩阵的维数，1表示向量，2表示矩阵等；这里的标签为一维向量，因此第4字节为0x01。t10k-labels.idx1-ubyte中的前8个字节是两个magic number。

打开t10k-labels.idx1-ubyte二进制文件，前8个字节数据是：00 00 08 01 00 00 27 10，这里需要注意的是，magic number是一个四字节int，在读或写时每次性读取4个字节，高字节在后，低字节在前，与存储时顺序不同，高字节在前，低字节在后，因此在读或写magic number时，需要做个转换，即高字节变低字节，低字节变高字节，实现见ReverseInt函数。

t10k-images.idx3-ubyte(训练集图像train-images.idx3-ubyte与此存放格式完全相同)：第1至第4个字节存放magic number(MSB first)；第5至第8个字节存放图像数即10000；第9至第12个字节存放每个图像的行数即高，这里为28；第13至第16个字节存放每个图像的列数即宽，这里为28；从第17个字节开始，每个字节存放一个像素值，像素值的范围为0到255，0表示背景，255表示前景，像素按行排列；每28*28个字节大小存放一幅图像数据。

此处的magic number(MSB first)是一个四个字节的整数，是一个IDX文件格式；第1，第2个字节总是0；第3个字节值表示数据的类型，如0x08表示unsigned byte；0x09表示signed byte；0x0B表示short(2 bytes)；0x0C表示int(4 bytes)；0x0D表示float(4 bytes)；0x0E表示double(8 bytes);因为t10k-images.idx3-ubyte中图像像素值范围为0到255，因此这里第3字节值为0x08；第4个字节表示向量/矩阵的维数，1表示向量，2表示矩阵等；这里的图像可看做三维即channels*height*width，因此第4字节为0x03。t10k-images.idx3-ubyte中的前16个字节是四个magic number。打开0x03.t10k-images.idx3-ubyte二进制文件，前16个字节数据是：00 00 08 03 00 00 27 10 00 00 00 1c 00 00 00 1c。

测试代码如下：

#include "funset.hpp"
#include <iostream>
#include <fstream>
#include <vector>
#include <memory>
#include <opencv2/opencv.hpp>// MNIST /
namespace {
int ReverseInt(int i)
{unsigned char ch1, ch2, ch3, ch4;ch1 = i & 255;ch2 = (i >> 8) & 255;ch3 = (i >> 16) & 255;ch4 = (i >> 24) & 255;return((int)ch1 << 24) + ((int)ch2 << 16) + ((int)ch3 << 8) + ch4;
}void read_Mnist(std::string filename, std::vector<cv::Mat> &vec)
{std::ifstream file(filename, std::ios::binary);if (file.is_open()) {int magic_number = 0;int number_of_images = 0;int n_rows = 0;int n_cols = 0;file.read((char*)&magic_number, sizeof(magic_number));magic_number = ReverseInt(magic_number);file.read((char*)&number_of_images, sizeof(number_of_images));number_of_images = ReverseInt(number_of_images);file.read((char*)&n_rows, sizeof(n_rows));n_rows = ReverseInt(n_rows);file.read((char*)&n_cols, sizeof(n_cols));n_cols = ReverseInt(n_cols);for (int i = 0; i < number_of_images; ++i) {cv::Mat tp = cv::Mat::zeros(n_rows, n_cols, CV_8UC1);for (int r = 0; r < n_rows; ++r) {for (int c = 0; c < n_cols; ++c) {unsigned char temp = 0;file.read((char*)&temp, sizeof(temp));tp.at<uchar>(r, c) = (int)temp;}}vec.push_back(tp);}file.close();}
}void read_Mnist_Label(std::string filename, std::vector<int> &vec)
{std::ifstream file(filename, std::ios::binary);if (file.is_open()) {int magic_number = 0;int number_of_images = 0;int n_rows = 0;int n_cols = 0;file.read((char*)&magic_number, sizeof(magic_number));magic_number = ReverseInt(magic_number);file.read((char*)&number_of_images, sizeof(number_of_images));number_of_images = ReverseInt(number_of_images);for (int i = 0; i < number_of_images; ++i) {unsigned char temp = 0;file.read((char*)&temp, sizeof(temp));vec[i] = (int)temp;}file.close();}
}std::string GetImageName(int number, int arr[])
{std::string str1, str2;for (int i = 0; i < 10; i++) {if (number == i) {arr[i]++;str1 = std::to_string(arr[i]);if (arr[i] < 10) {str1 = "0000" + str1;} else if (arr[i] < 100) {str1 = "000" + str1;} else if (arr[i] < 1000) {str1 = "00" + str1;} else if (arr[i] < 10000) {str1 = "0" + str1;}break;}}str2 = std::to_string(number) + "_" + str1;return str2;
}int write_images_to_file(const std::string& file_name, const std::vector<cv::Mat>& image_data,int magic_number, int image_number, int image_rows, int image_cols)
{if (image_number > image_data.size()) {fprintf(stderr, "Error: image_number > image_data.size(): \image_number: %d, image_data.size: %d", image_number, image_data.size());return -1;}std::ofstream file(file_name, std::ios::binary);if (!file.is_open()) {fprintf(stderr, "Error: open file fail: %s\n", file_name.c_str());return -1;}int tmp = ReverseInt(magic_number);file.write((char*)&tmp, sizeof(int));tmp = ReverseInt(image_number);file.write((char*)&tmp, sizeof(int));tmp = ReverseInt(image_rows);file.write((char*)&tmp, sizeof(int));tmp = ReverseInt(image_cols);file.write((char*)&tmp, sizeof(int));int size = image_rows * image_cols;for (int i = 0; i < image_number; ++i) {file.write((char*)image_data[i].data, sizeof(unsigned char) * size);}file.close();return 0;
}int write_labels_to_file(const std::string& file_name, const std::vector<int>& label_data,int magic_number, int label_number)
{if (label_number > label_data.size()) {fprintf(stderr, "Error: label_number > label_data.size(): \label_number: %d, label_data.size: %d", label_number, label_data.size());return -1;}std::ofstream file(file_name, std::ios::binary);if (!file.is_open()) {fprintf(stderr, "Error: open file fail: %s\n", file_name.c_str());return -1;}int tmp = ReverseInt(magic_number);file.write((char*)&tmp, sizeof(int));tmp = ReverseInt(label_number);file.write((char*)&tmp, sizeof(int));std::unique_ptr<unsigned char[]> labels(new unsigned char[label_number]);for (int i = 0; i < label_number; ++i) {labels[i] = static_cast<unsigned char>(label_data[i]);}file.write((char*)labels.get(), sizeof(unsigned char) * label_number);file.close();return 0;
}
} // namespace //mnistint ImageToMNIST()
{// read images
#ifdef _MSC_VERstd::string filename_test_images = "E:/GitCode/NN_Test/data/database/MNIST/t10k-images.idx3-ubyte";
#elsestd::string filename_test_images = "data/database/MNIST/t10k-images.idx3-ubyte";
#endifconst int number_of_test_images = 10000;std::vector<cv::Mat> vec_test_images;read_Mnist(filename_test_images, vec_test_images);if (vec_test_images.size() != number_of_test_images) {fprintf(stderr, "Error: fail to parse t10k-images.idx3-ubyte file: %d\n", vec_test_images.size());return -1;}// read labels
#ifdef _MSC_VERstd::string filename_test_labels = "E:/GitCode/NN_Test/data/database/MNIST/t10k-labels.idx1-ubyte";
#elsestd::string filename_test_labels = "data/database/MNIST/t10k-labels.idx1-ubyte";
#endifstd::vector<int> vec_test_labels(number_of_test_images);read_Mnist_Label(filename_test_labels, vec_test_labels);// write imagesconst int image_magic_number = 2051; // 0x00000803const int image_number = 10000;const int image_rows = 28;const int image_cols = 28;
#ifdef _MSC_VERconst std::string images_save_file_name = "E:/GitCode/NN_Test/data/new_t10k-images.idx3-ubyte";
#elseconst std::string images_save_file_name = "data/new_t10k-images.idx3-ubyte";
#endifif (write_images_to_file(images_save_file_name, vec_test_images, image_magic_number,image_number, image_rows, image_cols) != 0) {fprintf(stderr, "Error: write images to file fail\n");return -1;}// write labelsconst int label_magic_number = 2049; // 0x00000801const int label_number = 10000;
#ifdef _MSC_VERconst std::string labels_save_file_name = "E:/GitCode/NN_Test/data/new_t10k-labels.idx1-ubyte";
#elseconst std::string labels_save_file_name = "data/new_t10k-labels.idx1-ubyte";
#endifif (write_labels_to_file(labels_save_file_name, vec_test_labels, label_magic_number, label_number) != 0) {fprintf(stderr, "Error: write labels to file fail\n");return -1;}return 0;
}

新生成的两个数据文件为new_t10k-labels.idx1-ubyte和new_t10k-images.idx3-ubyte，通过md5可知，新生成的文件与原始文件完全相同，结果如下：

GitHub： https://github.com/fengbingchun/NN_Test

图像集存储成MNIST数据集格式实现相关推荐

原始GAN-pytorch-生成MNIST数据集（代码）
文章目录原始GAN生成MNIST数据集 1. Data loading and preparing 2. Dataset and Model parameter 3. Result save pat ...
Theano mnist数据集格式
首先链接一篇大牛的Theano文档翻译:http://www.cnblogs.com/xueliangliu/archive/2013/04/03/2997437.html 里面有mnist.pkl. ...
Fate集群 | 基于MNIST数据集的模型训练+模型预测详细过程
文章目录一.获取数据集并简单处理 1.分割数据集 2.拷贝数据集二.模型训练 1.上传数据 1)host方 2)guest方 2.构建模型 3.修改配置文件 1)DSL简介 2)DSL配置文件 3 ...
Keras ：利用卷积神经网络CNN对图像进行分类，以mnist数据集为例建立模型并预测
我是本期目录酱! 引入计算机视觉图像特征如何区分图像的类别卷积神经网络卷积Convolution 卷积层池化Pooling 卷积神经网络以mnist数据集为例建立模型并预测简单分析 p ...
将pcap文件处理成KDD99数据集格式
首先,需要的配置: 1 WinPcap 2 CMake 用到的开源程序: https://github.com/AI-IDS/kdd99_feature_extractor 将程序解压后,进入文件 ...
WPI交通信号灯数据集格式转换成VOC2007
WPI交通信号灯数据集格式转换成VOC2007 1.简述初学交通信号灯目标检测时,总是苦于找不到合适的交通灯数据集.即使找到了数据集,也往往因为格式不同而无法直接使用.因为大部分目标检测代码都只支持 ...
Pytorch 实现全连接神经网络/卷积神经网络训练MNIST数据集，并将训练好的模型在制作自己的手写图片数据集上测试
使用教程代码下载地址:点我下载模型在训练过程中会自动显示训练进度,如果您的pytorch是CPU版本的,代码会自动选择CPU训练,如果有cuda,则会选择GPU训练. 项目目录说明: CNN文件夹 ...
手写字体识别 --MNIST数据集
Matlab 手写字体识别忙过这段时间后,对于上次读取的Matlab内部数据实现的识别,我回味了一番,觉得那个实在太小.所以打算把数据换成[MNIST数据集][1]. 基础思想还是相同的,使用Tre ...
MNIST数据集简介与使用
MNIST数据集简介 MNIST数据集来自美国国家标准与技术研究所, National Institute of Standards and Technology (NIST).训练集(train ...

图像集存储成MNIST数据集格式实现

图像集存储成MNIST数据集格式实现相关推荐

最新文章

热门文章