我就廢話不多說了,大家還是直接看代碼吧~
#!/usr/bin/env python # encoding: utf-8 ''' @author: lele Ye @contact: 1750112338@qq.com @software: pycharm 2018.2 @file: 13mnist.py @time: 2018/12/17 10:23 @desc: ''' import tensorflow as tf import scipy.misc import matplotlib.pyplot as plt import random # 讀取圖像可任意大小 filenames = ['./tianchi.jpg'] # 創建文件讀取隊列 filename_queue = tf.train.string_input_producer(filenames) # 一個閱讀器,讀取整個文件,返回文件名稱key,以及文件中所有的內容value reader = tf.WholeFileReader() # Returns the next record (key, value) pair produced by a reader key, value = reader.read(filename_queue) images = tf.image.decode_jpeg(value) # tf.image.decode_png(value) target_width = target_height = 224 # 裁切圖片 with tf.Session() as sess: # Coordinator的使用,用於多線程的協調 coord = tf.train.Coordinator() # 啟動所有graph收集到的隊列運行器(queuerunners) threads = tf.train.start_queue_runners(coord=coord) height,width,channels = sess.run(tf.shape(images)) offset_height = random.randint(0,height-target_height) offset_width = random.randint(0,width-target_width) reshapeimg = tf.image.crop_to_bounding_box(images, offset_height=offset_height, offset_width=offset_width, target_height=target_height,target_width=target_width) print(type(reshapeimg)) #reimg1 = reshapeimg.eval() # reimg1的類型是scipy.misc.imsave('./crop.jpg', reimg1) plt.imshow(reimg1) plt.axis("off") plt.show() # 請求線程結束 coord.request_stop() # 等待線程終止 coord.join(threads)
原始圖像480x320x3:
裁剪後224x224x3:
補充知識:Tensorflow 圖像增強(ImageDataGenerator)
當我們訓練一個較為複雜的網絡,並且我們的訓練數據集有限時,網絡十分容易陷入過擬合的狀態。
解決這個問題的一個可能的有效方法是:進行數據增強,即通過已有的有限的數據集,通過圖像處理等方法(旋轉,剪切,縮放…),獲得更多的,類似的,多樣化的數據。
數據增強處理,不會佔用更多的存儲空間,即在數據增強過程中,原始的數據不會被修改,所有的處理過程都是在內存中 即時(on-the-fly) 的處理。
注意:
數據增強不一定是萬能藥(雖然數據多了),數據增強提高了原始數據的隨機性,但是若 測試集或應用場景 並不具有這樣的隨機性,那麼它將不會起到作用,還會增加訓練所需的時間。
使用方法:
train_datagen = ImageDataGenerator( rescale=1./255, #數據值除以255,[0-255] ->[0,1] shear_range=0.2, #剪切強度(逆時針方向的剪切角度,以度為單位) zoom_range=0.2, #隨機縮放範圍 horizontal_flip=True) #水平翻轉 test_datagen = ImageDataGenerator(rescale=1./255) train_generator = train_datagen.flow_from_directory( 'data/train', target_size=(150, 150), batch_size=32, class_mode='binary') validation_generator = test_datagen.flow_from_directory( 'data/validation', target_size=(150, 150), batch_size=32, class_mode='binary') model.fit_generator( train_generator, steps_per_epoch=2000, epochs=50, validation_data=validation_generator, validation_steps=800)
[月球人 ] tensorflow圖像裁剪進行數據增強操作已經有291次圍觀