快捷導(dǎo)航

tensorflow圖像裁剪進(jìn)行數(shù)據(jù)增強(qiáng)操作

更新時(shí)間：2020年06月30日 14:57:57 作者：yeler082

這篇文章主要介紹了tensorflow圖像裁剪進(jìn)行數(shù)據(jù)增強(qiáng)操作，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧

我就廢話不多說(shuō)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(chuàng)建文件讀取隊(duì)列
filename_queue = tf.train.string_input_producer(filenames)
# 一個(gè)閱讀器，讀取整個(gè)文件，返回文件名稱key,以及文件中所有的內(nèi)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，用于多線程的協(xié)調(diào)
  coord = tf.train.Coordinator()
  # 啟動(dòng)所有g(shù)raph收集到的隊(duì)列運(yùn)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)) # <class 'tensorflow.python.framework.ops.Tensor'>
  reimg1 = reshapeimg.eval() # reimg1的類型是<class 'numpy.ndarray'>
  scipy.misc.imsave('./crop.jpg', reimg1)
  plt.imshow(reimg1)
  plt.axis("off")
  plt.show()
  # 請(qǐng)求線程結(jié)束
  coord.request_stop()
  # 等待線程終止
  coord.join(threads)

原始圖像480x320x3：

裁剪后224x224x3：

補(bǔ)充知識(shí)：Tensorflow 圖像增強(qiáng)（ImageDataGenerator）

當(dāng)我們訓(xùn)練一個(gè)較為復(fù)雜的網(wǎng)絡(luò)，并且我們的訓(xùn)練數(shù)據(jù)集有限時(shí)，網(wǎng)絡(luò)十分容易陷入過(guò)擬合的狀態(tài)。

解決這個(gè)問(wèn)題的一個(gè)可能的有效方法是：進(jìn)行數(shù)據(jù)增強(qiáng)，即通過(guò)已有的有限的數(shù)據(jù)集，通過(guò)圖像處理等方法（旋轉(zhuǎn)，剪切，縮放…），獲得更多的，類似的，多樣化的數(shù)據(jù)。

數(shù)據(jù)增強(qiáng)處理，不會(huì)占用更多的存儲(chǔ)空間，即在數(shù)據(jù)增強(qiáng)過(guò)程中，原始的數(shù)據(jù)不會(huì)被修改，所有的處理過(guò)程都是在內(nèi)存中即時(shí)（on-the-fly）的處理。

注意：

數(shù)據(jù)增強(qiáng)不一定是萬(wàn)能藥（雖然數(shù)據(jù)多了），數(shù)據(jù)增強(qiáng)提高了原始數(shù)據(jù)的隨機(jī)性，但是若測(cè)試集或應(yīng)用場(chǎng)景并不具有這樣的隨機(jī)性，那么它將不會(huì)起到作用，還會(huì)增加訓(xùn)練所需的時(shí)間。

使用方法：

train_datagen = ImageDataGenerator(
    rescale=1./255, #數(shù)據(jù)值除以255，[0-255] ->[0,1]
    shear_range=0.2, #剪切強(qiáng)度（逆時(shí)針?lè)较虻募羟薪嵌?，以度為單位?
    zoom_range=0.2, #隨機(jī)縮放范圍
    horizontal_flip=True) #水平翻轉(zhuǎn)

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)

以上這篇tensorflow圖像裁剪進(jìn)行數(shù)據(jù)增強(qiáng)操作就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: