三、用numpy.pad()對圖像進行填充及簡單的圖像處理
一、用numpy.pad()對圖像進行填
我們都知道在css的盒子模型中，有padding（內邊距）這一屬性。同css中的padding類似，在numpy中，numpy.pad()可以跟矩陣添加內邊距，這一方法在CNN中的卷積層可以用到，可以影響到卷積后矩陣的維度，其用法如下：
numpy.pad(array, pad_width, mode, **kwargs)[source]
其中array是需要添加內邊距的矩陣。pad_width對應矩陣每個維度填充的寬度，其格式是這樣的：((before 1 ,after 1 ),…(before N ,after N )) ((before1,after1),…(beforeN,afterN)) ，(before N ,after N ) (beforeN,afterN) 表示第n維之前和時候填充的寬度。mode表示填充矩陣的值的模式，對應有：”constant“——表示用一個常量填充矩陣，“minimum”——用某個維度上的最小值填充矩陣，等其他模式。具體可參照官方APInumpy.pad。下面看一個用numpy.pad填充圖像的例子，代碼如下：
import pylab
import numpy as np
from scipy import ndimage
import matplotlib.pyplot as plt
dir = "./testImgs/"
filename = dir + "la_defense.jpg"
ori_image = np.array(ndimage.imread(filename, flatten=False))
dim1_pad = np.pad(ori_image, ((50, 50), (0, 0), (0, 0)), 'constant', constant_values=0)
dim2_pad = np.pad(ori_image, ((0, 0), (50, 50), (0, 0)), 'maximum')
dim3_pad = np.pad(ori_image, ((50, 50), (50, 50), (0, 0)), 'constant', constant_values=200)
print("origin shape:" + str(ori_image.shape))
print("vertical pad:" + str(dim1_pad.shape))
print("horizontal pad:" + str(dim2_pad.shape))
print("all pad:" + str(dim3_pad.shape))
fig, axarr = plt.subplots(2, 2)
axarr[0, 0].imshow(ori_image)
axarr[0, 1].imshow(dim1_pad[:, :, 0])
axarr[1, 0].imshow(dim2_pad[:, :, 1])
axarr[1, 1].imshow(dim3_pad[:, :, 2])
pylab.show()
顯示的結果如下：
以上代碼中用到了scipy.ndimage.imread讀取圖片，可以結合我的另一篇博客二、使用scipy讀圖片並改變圖片大小進行理解。讀到的圖片是一個（1181,1181,3）的3維矩陣，第三維表示RGB三個通道。我分別在R、B、G三個通道上進行了填充，第二張圖是在R通道的第一維（上下）分別填充50的像素的寬度，第三張圖是在G通道的第二維（左右）分別填充50的像素的寬度（模式為minimum），第四張圖是在B通道的第一、二維分別分別填充50的像素的寬度。可以看出，這四張圖都是不一樣的(盡管第三、四張圖差別不大)，填充后矩陣的維度如下： 
二、簡單的圖像處理
在利用CNN進行圖片分類的時候，有時候會缺少樣本，我們可以通過用已有的樣本來自己創建新的樣本，如圖像的旋轉，裁剪，圖像顏色的改變等。下面是通過改變圖像的顏色來創建新的圖片，代碼如下：
import pylab
import numpy as np
from scipy import ndimage
import matplotlib.pyplot as plt
def new_pic_arr(dim0, dim1, dim2, dim0_plus, dim1_plus,dim2_plus):
pic = np.zeros((1181, 1181, 3), dtype=np.uint8)
pic[:, :, 0] = dim0 + dim0_plus
pic[:, :, 1] = dim1 + dim1_plus
pic[:, :, 2] = dim2 + dim2_plus
return pic
dir = "./testImgs/"
filename = dir + "la_defense.jpg"
ori_image = np.array(ndimage.imread(filename, flatten=False))
dim0 = ori_image[:, :, 0]
dim1 = ori_image[:, :, 1]
dim2 = ori_image[:, :, 2]
pic1 = new_pic_arr(dim0, dim1, dim2, 30, 0, 30)
pic2 = new_pic_arr(dim0, dim1, dim2, 40, 40, 0)
pic3 = new_pic_arr(dim0, dim1, dim2, 0, 40, 40)
fig, axarr = plt.subplots(2, 2)
axarr[0, 0].imshow(ori_image)
axarr[0, 1].imshow(pic1)
axarr[1, 0].imshow(pic2)
axarr[1, 1].imshow(pic3)
pylab.show()
最后的結果如下：
上述中的四副圖中，圖一是原始的圖，圖二是在原圖的R、B通道上每個像素的值增加30后的結果，圖三是在原圖的R、G通道上每個像素的值增加40后的結果，圖四是在原圖的G、B通道上每個像素的值增加40后的結果。可以看出每張圖的顏色都不同，我們可以利用這些新的樣本來訓練神經網路了。