TensorFLow能够识别的图像文件，可以通过numpy

来源：互联网发布：js数组字符串方法编辑：程序博客网时间：2024/05/29 11:09

TensorFLow能够识别的图像文件，可以通过numpy，使用tf.Variable或者tf.placeholder加载进tensorflow；也可以通过自带函数（tf.read）读取，当图像文件过多时，一般使用pipeline通过队列的方法进行读取。下面我们介绍两种生成tensorflow的图像格式的方法，供给tensorflow的graph的输入与输出。

[python] view plain copy
 
import cv2  
import numpy as np  
import h5py  
  
height = 460  
width = 345  
  
with h5py.File('make3d_dataset_f460.mat','r') as f:  
    images = f['images'][:]  
      
image_num = len(images)  
  
data = np.zeros((image_num, height, width, 3), np.uint8)  
data = images.transpose((0,3,2,1))  

先生成图像文件的路径：ls *.jpg> list.txt

[python] view plain copy
 
import cv2  
import numpy as np  
  
image_path = './'  
list_file  = 'list.txt'  
height = 48  
width = 48  
  
image_name_list = [] # read image  
with open(image_path + list_file) as fid:  
    image_name_list = [x.strip() for x in fid.readlines()]  
image_num = len(image_name_list)  
  
data = np.zeros((image_num, height, width, 3), np.uint8)  
  
for idx in range(image_num):  
    img = cv2.imread(image_name_list[idx])  
    img = cv2.resize(img, (height, width))  
    data[idx, :, :, :] = img  

2 Tensorflow自带函数读取

[python] view plain copy
 
def get_image(image_path):  
    """Reads the jpg image from image_path. 
    Returns the image as a tf.float32 tensor 
    Args: 
        image_path: tf.string tensor 
    Reuturn: 
        the decoded jpeg image casted to float32 
    """  
    return tf.image.convert_image_dtype(  
        tf.image.decode_jpeg(  
            tf.read_file(image_path), channels=3),  
        dtype=tf.uint8)  

pipeline读取方法

[python] view plain copy
 
# Example on how to use the tensorflow input pipelines. The explanation can be found here ischlag.github.io.  
import tensorflow as tf  
import random  
from tensorflow.python.framework import ops  
from tensorflow.python.framework import dtypes  
  
dataset_path      = "/path/to/your/dataset/mnist/"  
test_labels_file  = "test-labels.csv"  
train_labels_file = "train-labels.csv"  
  
test_set_size = 5  
  
IMAGE_HEIGHT  = 28  
IMAGE_WIDTH   = 28  
NUM_CHANNELS  = 3  
BATCH_SIZE    = 5  
  
def encode_label(label):  
  return int(label)  
  
def read_label_file(file):  
  f = open(file, "r")  
  filepaths = []  
  labels = []  
  for line in f:  
    filepath, label = line.split(",")  
    filepaths.append(filepath)  
    labels.append(encode_label(label))  
  return filepaths, labels  
  
# reading labels and file path  
train_filepaths, train_labels = read_label_file(dataset_path + train_labels_file)  
test_filepaths, test_labels = read_label_file(dataset_path + test_labels_file)  
  
# transform relative path into full path  
train_filepaths = [ dataset_path + fp for fp in train_filepaths]  
test_filepaths = [ dataset_path + fp for fp in test_filepaths]  
  
# for this example we will create or own test partition  
all_filepaths = train_filepaths + test_filepaths  
all_labels = train_labels + test_labels  
  
all_filepaths = all_filepaths[:20]  
all_labels = all_labels[:20]  
  
# convert string into tensors  
all_images = ops.convert_to_tensor(all_filepaths, dtype=dtypes.string)  
all_labels = ops.convert_to_tensor(all_labels, dtype=dtypes.int32)  
  
# create a partition vector  
partitions = [0] * len(all_filepaths)  
partitions[:test_set_size] = [1] * test_set_size  
random.shuffle(partitions)  
  
# partition our data into a test and train set according to our partition vector  
train_images, test_images = tf.dynamic_partition(all_images, partitions, 2)  
train_labels, test_labels = tf.dynamic_partition(all_labels, partitions, 2)  
  
# create input queues  
train_input_queue = tf.train.slice_input_producer(  
                                    [train_images, train_labels],  
                                    shuffle=False)  
test_input_queue = tf.train.slice_input_producer(  
                                    [test_images, test_labels],  
                                    shuffle=False)  
  
# process path and string tensor into an image and a label  
file_content = tf.read_file(train_input_queue[0])  
train_image = tf.image.decode_jpeg(file_content, channels=NUM_CHANNELS)  
train_label = train_input_queue[1]  
  
file_content = tf.read_file(test_input_queue[0])  
test_image = tf.image.decode_jpeg(file_content, channels=NUM_CHANNELS)  
test_label = test_input_queue[1]  
  
# define tensor shape  
train_image.set_shape([IMAGE_HEIGHT, IMAGE_WIDTH, NUM_CHANNELS])  
test_image.set_shape([IMAGE_HEIGHT, IMAGE_WIDTH, NUM_CHANNELS])  
  
  
# collect batches of images before processing  
train_image_batch, train_label_batch = tf.train.batch(  
                                    [train_image, train_label],  
                                    batch_size=BATCH_SIZE  
                                    #,num_threads=1  
                                    )  
test_image_batch, test_label_batch = tf.train.batch(  
                                    [test_image, test_label],  
                                    batch_size=BATCH_SIZE  
                                    #,num_threads=1  
                                    )  
  
print "input pipeline ready"  
  
with tf.Session() as sess:  
    
  # initialize the variables  
  sess.run(tf.initialize_all_variables())  
    
  # initialize the queue threads to start to shovel data  
  coord = tf.train.Coordinator()  
  threads = tf.train.start_queue_runners(coord=coord)  
  
  print "from the train set:"  
  for i in range(20):  
    print sess.run(train_label_batch)  
  
  print "from the test set:"  
  for i in range(10):  
    print sess.run(test_label_batch)  
  
  # stop our queue threads and properly close the session  
  coord.request_stop()  
  coord.join(threads)  
  sess.close()  

参考资料

0 0