TensorFlow學習之 圖像預處理

import tensorflow as tf
import matplotlib.pyplot as plt

image_raw_data = tf.gfile.GFile("./picture.jpg", "rb").read()
with tf.Session() as sess:
    """
    圖像編碼解碼處理
    """
    # 解碼過程
    img_data = tf.image.decode_jpeg(image_raw_data)
    print(img_data.eval())

    # 編碼過程
    encoded_image = tf.image.encode_jpeg(img_data)
    with tf.gfile.GFile('./output.jpg', 'wb') as f:
        f.write(encoded_image.eval())

    """
    圖像大小調整
    """
    # 將圖片數據轉化為實數類型，將0-255的像素值轉化為0.0-1.0之間的實數
    img_data = tf.image.convert_image_dtype(img_data, dtype=tf.float32)

    # 第一個參數：原始圖像；第二個參數：調整后的圖像大小；第三個參數：method參數給出調整圖像大小的算法
    resized = tf.image.resize_images(img_data, [300, 300], method=0)

    # 目標尺寸小於原始尺寸，居中截取；否者填充
    croped = tf.image.resize_image_with_crop_or_pad(img_data, 500, 300)

    plt.figure()
    plt.subplot(2, 2, 1)
    plt.imshow(img_data.eval())
    plt.subplot(2, 2, 2)
    plt.imshow(resized.eval())
    plt.subplot(2, 1, 2)
    plt.imshow(croped.eval())

    """
    圖像翻轉
    """
    # 上下翻轉
    flipped_up_down = tf.image.flip_up_down(img_data)
    # 50%的概率上下翻轉
    flipped1 = tf.image.random_flip_up_down(img_data)

    # 左右翻轉
    flipped_left_right = tf.image.flip_left_right(img_data)
    # 50%的概率左右翻轉
    flipped2 = tf.image.random_flip_left_right(img_data)

    # 沿對角線高翻轉
    transpose_image = tf.image.transpose_image(img_data)

    plt.figure()
    plt.subplot(2, 2, 1)
    plt.imshow(flipped_up_down.eval())
    plt.subplot(2, 2, 2)
    plt.imshow(flipped_left_right.eval())
    plt.subplot(2, 2, 3)
    plt.imshow(transpose_image.eval())
    plt.subplot(2, 2, 4)
    plt.imshow(flipped2.eval())

    """
    圖像色彩調整
    """
    # 亮度 -0.5
    adjusted = tf.image.adjust_brightness(img_data, -0.5)
    # 將其值截取在0.0-1.0之間，防止像素實數值超出0.0-1.0的范圍
    adjusted_down = tf.clip_by_value(adjusted, 0.0, 1.0)
    # 亮度 +0.5
    adjusted_up = tf.image.adjust_brightness(img_data, 0.5)
    # 在[-max_delta, max_delta]的范圍之間隨機調整圖像亮度
    adjusted_random = tf.image.random_brightness(img_data, 0.2)

    # 對比度 x0.5
    adjusted1 = tf.image.adjust_contrast(img_data, 0.5)
    # 對比度 增加5倍
    adjusted2 = tf.image.adjust_contrast(img_data, 5)
    # 在[lower， upper]的范圍內隨機調整圖像的對比度
    adjusted3 = tf.image.random_contrast(img_data, 2, 4)

    # 色相 +0.6
    adjusted_hue1 = tf.image.adjust_hue(img_data, 0.6)
    # 色相 -0.6
    adjusted_hue2 = tf.image.adjust_hue(img_data, -0.6)
    # 在[-max_delta, max_delta]的范圍內隨機調整圖像的色相，max_delta取值范圍[0, 0.5]
    adjusted_hue3 = tf.image.random_hue(img_data, 0.3)

    # 飽和度 -5
    adjust_saturation1 = tf.image.adjust_saturation(img_data, -5)
    # 飽和度 +5
    adjust_saturation2 = tf.image.adjust_saturation(img_data, 5)
    # 在[lower, upper]的范圍之間隨機調整圖像的飽和度,lower必須是非負值
    adjust_saturation3 = tf.image.random_saturation(img_data, 0, 4)
    plt.figure()
    plt.subplot(4, 2, 1)
    plt.imshow(adjusted_down.eval())
    plt.subplot(4, 2, 2)
    plt.imshow(adjusted_up.eval())
    plt.subplot(4, 2, 3)
    plt.imshow(adjusted1.eval())
    plt.subplot(4, 2, 4)
    plt.imshow(adjusted2.eval())
    plt.subplot(4, 2, 5)
    plt.imshow(adjusted_hue1.eval())
    plt.subplot(4, 2, 6)
    plt.imshow(adjusted_hue2.eval())
    plt.subplot(4, 2, 7)
    plt.imshow(adjust_saturation1.eval())
    plt.subplot(4, 2, 8)
    plt.imshow(adjust_saturation2.eval())

    # 圖像數值標准化，均值為0，方差為1
    adjust_standardization = tf.image.per_image_standardization(img_data)
    plt.figure()
    plt.imshow(adjust_standardization.eval())

    plt.show()