Tensorflow深度学习之十二：基础图像处理之二

from：https://blog.csdn.net/davincil/article/details/76598474

首先放出原始图像：

1、图像的翻转

import tensorflow as tf

import cv2

# 这里定义一个tensorflow读取的图片格式转换为opencv读取的图片格式的函数

# 请注意：

# 在tensorflow中，一个像素点的颜色顺序是R，G，B。

# 在opencv中，一个像素点的颜色顺序是B，G，R。

# 因此，我们循环遍历每一个像素点，将第0位的颜色和第2位的颜色数值换一下即可。

# 第一个参数name：将要显示的窗口名称。

# 第二个参数image：储存图片信息的一个tensor。

def cv2Show(name="", image=None):

    # 获取矩阵信息

    np = image.eval()

    # 获取行数列数

    row, col = len(np),len(np[1])

    # 两重循环遍历

    for i in range(row):

        for j in range(col):

            # 交换数值

            tmp = np[i][j][0]

            np[i][j][0] = np[i][j][2]

            np[i][j][2] = tmp

    # 显示图片

    cv2.imshow(name,np)

    pass

# tensorflow会话

with tf.Session() as sess:

    # 以二进制的方式读取图片。

    image_raw_data = tf.gfile.FastGFile("bus.jpg", "rb").read()

    # 按照jpeg的格式解码图片。

    image_data = tf.image.decode_jpeg(image_raw_data)

    # 显示原图片。

    cv2Show("Read by Tensorflow+Dispalyed by Opencv",image_data)

    # 上下翻转图像

    up_and_down = tf.image.flip_up_down(image_data)

    cv2Show("up and down",up_and_down)

    # 左右翻转图像

    left_and_right = tf.image.flip_left_right(image_data)

    cv2Show("left and right", left_and_right)

    # 沿对角线翻转图像

    transposed = tf.image.transpose_image(image_data)

    cv2Show("transposed image", transposed)

    # 以一定概率上下翻转图像

    random_up_and_down = tf.image.random_flip_up_down(image_data)

    cv2Show("random up and down", random_up_and_down)

    # 以一定概率左右翻转图像

    random_left_and_right = tf.image.random_flip_left_right(image_data)

    cv2Show("random left and right", random_left_and_right)

    cv2.waitKey()

程序运行结果如下：

注：由于个人的显示器限制，这里只截取了部分的对角线翻转的图像。

注：可以看到这里按照一定的概率翻转，只有上下进行了翻转，而左右并没有翻转。

2、图像的亮度调整

import tensorflow as tf

import cv2

# 这里定义一个tensorflow读取的图片格式转换为opencv读取的图片格式的函数

# 请注意：

# 在tensorflow中，一个像素点的颜色顺序是R，G，B。

# 在opencv中，一个像素点的颜色顺序是B，G，R。

# 因此，我们循环遍历每一个像素点，将第0位的颜色和第2位的颜色数值换一下即可。

# 第一个参数name：将要显示的窗口名称。

# 第二个参数image：储存图片信息的一个tensor。

def cv2Show(name="", image=None):

    # 获取矩阵信息

    np = image.eval()

    # 获取行数列数

    row, col = len(np),len(np[1])

    # 两重循环遍历

    for i in range(row):

        for j in range(col):

            # 交换数值

            tmp = np[i][j][0]

            np[i][j][0] = np[i][j][2]

            np[i][j][2] = tmp

    # 显示图片

    cv2.imshow(name,np)

    pass

# tensorflow会话

with tf.Session() as sess:

    # 以二进制的方式读取图片。

    image_raw_data = tf.gfile.FastGFile("bus.jpg", "rb").read()

    # 按照jpeg的格式解码图片。

    image_data = tf.image.decode_jpeg(image_raw_data)

    # 显示原图片。

    cv2Show("Read by Tensorflow+Dispalyed by Opencv",image_data)

    # 将图片的亮度-0.5

    adjusted1 = tf.image.adjust_brightness(image_data, -0.5)

    cv2Show("brightness -0.5", adjusted1)

    # 将图片的亮度+0.5

    adjusted2 = tf.image.adjust_brightness(image_data, 0.5)

    cv2Show("brightness +0.5",adjusted2)

    # 随机调整图像的亮度：

    # random_brightness(image, max_delta, seed=None)

    # image：待调整的图像

    # max_delta：在[-max_delte,max_delte)的范围随机调整图像的亮度

    # seed：随机数种子

    adjusted3 = tf.image.random_brightness(image_data, 0.3)

    cv2Show("random brightness", adjusted3)

    cv2.waitKey()

程序运行如下：

3、调整图像的对比度

import tensorflow as tf

import cv2

# 这里定义一个tensorflow读取的图片格式转换为opencv读取的图片格式的函数

# 请注意：

# 在tensorflow中，一个像素点的颜色顺序是R，G，B。

# 在opencv中，一个像素点的颜色顺序是B，G，R。

# 因此，我们循环遍历每一个像素点，将第0位的颜色和第2位的颜色数值换一下即可。

# 第一个参数name：将要显示的窗口名称。

# 第二个参数image：储存图片信息的一个tensor。

def cv2Show(name="", image=None):

    # 获取矩阵信息

    np = image.eval()

    # 获取行数列数

    row, col = len(np),len(np[1])

    # 两重循环遍历

    for i in range(row):

        for j in range(col):

            # 交换数值

            tmp = np[i][j][0]

            np[i][j][0] = np[i][j][2]

            np[i][j][2] = tmp

    # 显示图片

    cv2.imshow(name,np)

    pass

# tensorflow会话

with tf.Session() as sess:

    # 以二进制的方式读取图片。

    image_raw_data = tf.gfile.FastGFile("bus.jpg", "rb").read()

    # 按照jpeg的格式解码图片。

    image_data = tf.image.decode_jpeg(image_raw_data)

    # 显示原图片。

    cv2Show("Read by Tensorflow+Dispalyed by Opencv",image_data)

    # 将图片的对比度-5

    adjusted1 = tf.image.adjust_contrast(image_data, -5)

    cv2Show("contrast -5", adjusted1)

    # 将图片的对比度+5

    adjusted2 = tf.image.adjust_contrast(image_data, 5)

    cv2Show("contrast +5",adjusted2)

    # 随机调整图像的对比度：

    # random_contrast(image, lower, upper, seed=None)

    # image：待调整的图像

    # lower，upper：在[lower,upper]的范围随机调整图像的对比度。lower非负。

    # seed：随机数种子

    adjusted3 = tf.image.random_contrast(image_data, 1, 9)

    cv2Show("random contrast", adjusted3)

    cv2.waitKey()

程序运行如下：

4、调整图像的色相

import tensorflow as tf

import cv2

# 这里定义一个tensorflow读取的图片格式转换为opencv读取的图片格式的函数

# 请注意：

# 在tensorflow中，一个像素点的颜色顺序是R，G，B。

# 在opencv中，一个像素点的颜色顺序是B，G，R。

# 因此，我们循环遍历每一个像素点，将第0位的颜色和第2位的颜色数值换一下即可。

# 第一个参数name：将要显示的窗口名称。

# 第二个参数image：储存图片信息的一个tensor。

def cv2Show(name="", image=None):

    # 获取矩阵信息

    np = image.eval()

    # 获取行数列数

    row, col = len(np),len(np[1])

    # 两重循环遍历

    for i in range(row):

        for j in range(col):

            # 交换数值

            tmp = np[i][j][0]

            np[i][j][0] = np[i][j][2]

            np[i][j][2] = tmp

    # 显示图片

    cv2.imshow(name,np)

    pass

# tensorflow会话

with tf.Session() as sess:

    # 以二进制的方式读取图片。

    image_raw_data = tf.gfile.FastGFile("bus.jpg", "rb").read()

    # 按照jpeg的格式解码图片。

    image_data = tf.image.decode_jpeg(image_raw_data)

    # 显示原图片。

    cv2Show("Read by Tensorflow+Dispalyed by Opencv",image_data)

    # adjust_hue(image, delta, name=None)

    # delte的范围:[-1,1]

    # 将图片的色相+0.1

    adjusted1 = tf.image.adjust_hue(image_data, 0.1)

    cv2Show("hue +0.1", adjusted1)

    # 将图片的色相+0.3

    adjusted2 = tf.image.adjust_hue(image_data, 0.3)

    cv2Show("hue +0.3", adjusted2)

    # 将图片的色相+0.6

    adjusted3 = tf.image.adjust_hue(image_data, 0.6)

    cv2Show("hue +0.6", adjusted3)

    # 将图片的色相+0.9

    adjusted4 = tf.image.adjust_hue(image_data, 0.9)

    cv2Show("hue +0.9", adjusted4)

    # 随机调整图像的色相：

    # random_hue(image, max_delta, seed=None)

    # image：待调整的图像

    # max_delta：在[-max_delta,max_delta]的范围随机调整图像的色相。max_delta的范围[0,0.5]。

    # seed：随机数种子

    adjusted5 = tf.image.random_hue(image_data,0.4)

    cv2Show("random hue", adjusted5)

    cv2.waitKey()

程序运行结果如下：

5、调整图像的饱和度

import tensorflow as tf

import cv2

# 这里定义一个tensorflow读取的图片格式转换为opencv读取的图片格式的函数

# 请注意：

# 在tensorflow中，一个像素点的颜色顺序是R，G，B。

# 在opencv中，一个像素点的颜色顺序是B，G，R。

# 因此，我们循环遍历每一个像素点，将第0位的颜色和第2位的颜色数值换一下即可。

# 第一个参数name：将要显示的窗口名称。

# 第二个参数image：储存图片信息的一个tensor。

def cv2Show(name="", image=None):

    # 获取矩阵信息

    np = image.eval()

    # 获取行数列数

    row, col = len(np),len(np[1])

    # 两重循环遍历

    for i in range(row):

        for j in range(col):

            # 交换数值

            tmp = np[i][j][0]

            np[i][j][0] = np[i][j][2]

            np[i][j][2] = tmp

    # 显示图片

    cv2.imshow(name,np)

    pass

# tensorflow会话

with tf.Session() as sess:

    # 以二进制的方式读取图片。

    image_raw_data = tf.gfile.FastGFile("bus.jpg", "rb").read()

    # 按照jpeg的格式解码图片。

    image_data = tf.image.decode_jpeg(image_raw_data)

    # 显示原图片。

    cv2Show("Read by Tensorflow+Dispalyed by Opencv",image_data)

    # 将图片的饱和度-5

    adjusted1 = tf.image.adjust_saturation(image_data, -5)

    cv2Show("saturation -5", adjusted1)

    # 将图片的饱和度+5

    adjusted2 = tf.image.adjust_saturation(image_data, 5)

    cv2Show("saturation +5", adjusted2)

    # 随机调整图像的饱和度：

    # random_saturation(image, lower, upper, seed=None)

    # image：待调整的图像

    # lower，upper：在[lower,upper]的范围随机调整图像的饱和度。lower非负。

    # seed：随机数种子

    adjusted3 = tf.image.random_saturation(image_data, 1, 9)

    cv2Show("random saturation", adjusted3)

    cv2.waitKey()

程序运行结果如下：

6、图像的标准化

import tensorflow as tf

import cv2

# 这里定义一个tensorflow读取的图片格式转换为opencv读取的图片格式的函数

# 请注意：

# 在tensorflow中，一个像素点的颜色顺序是R，G，B。

# 在opencv中，一个像素点的颜色顺序是B，G，R。

# 因此，我们循环遍历每一个像素点，将第0位的颜色和第2位的颜色数值换一下即可。

# 第一个参数name：将要显示的窗口名称。

# 第二个参数image：储存图片信息的一个tensor。

def cv2Show(name="", image=None):

    # 获取矩阵信息

    np = image.eval()

    # 获取行数列数

    row, col = len(np),len(np[1])

    # 两重循环遍历

    for i in range(row):

        for j in range(col):

            # 交换数值

            tmp = np[i][j][0]

            np[i][j][0] = np[i][j][2]

            np[i][j][2] = tmp

    # 显示图片

    cv2.imshow(name,np)

    pass

# tensorflow会话

with tf.Session() as sess:

    # 以二进制的方式读取图片。

    image_raw_data = tf.gfile.FastGFile("bus.jpg", "rb").read()

    # 按照jpeg的格式解码图片。

    image_data = tf.image.decode_jpeg(image_raw_data)

    # 显示原图片。

    cv2Show("Read by Tensorflow+Dispalyed by Opencv",image_data)

    # 将代表一张图像的三维矩阵中的数字均值变成0，方差变为1。

    adjusted = tf.image.per_image_standardization(image_data)

    cv2Show("image_standardization", adjusted)

    cv2.waitKey()

程序运行结果如下：

Tensorflow深度学习之十二：基础图像处理之二的更多相关文章

TensorFlow深度学习基础与应用实战高清视频教程
TensorFlow深度学习基础与应用实战高清视频教程,适合Python C++ C#视觉应用开发者,基于TensorFlow深度学习框架,讲解TensorFlow基础.图像分类.目标检测训练与测试以 ...
没有博士学位，照样玩转TensorFlow深度学习
教程 | 没有博士学位,照样玩转TensorFlow深度学习机器之心2017-01-24 12:32:22 程序设计谷歌操作系统阅读(362)评论(0) 选自Codelabs 机器之心编译参 ...
TensorFlow 深度学习中文第二版·翻译完成
原文:Deep Learning with TensorFlow Second Edition 协议:CC BY-NC-SA 4.0 不要担心自己的形象,只关心如何实现目标.--<原则>, ...
（转） TensorFlow深度学习，一篇文章就够了
TensorFlow深度学习,一篇文章就够了 2016/09/22 · IT技术 · TensorFlow, 深度学习分享到:6 原文出处: 我爱计算机 (@tobe迪豪 ) 作者: 陈迪 ...
（转）深度学习word2vec笔记之基础篇
深度学习word2vec笔记之基础篇声明: 1)该博文是多位博主以及多位文档资料的主人所无私奉献的论文资料整理的.具体引用的资料请看参考文献.具体的版本声明也参考原文献 2)本文仅供学术交流,非商用 ...
深度学习word2vec笔记之基础篇
作者为falao_beiliu. 作者:杨超链接:http://www.zhihu.com/question/21661274/answer/19331979来源:知乎著作权归作者所有.商业转载请联系 ...
TensorFlow深度学习，一篇文章就够了
http://blog.jobbole.com/105602/ 作者: 陈迪豪,就职小米科技,深度学习工程师,TensorFlow代码提交者. TensorFlow深度学习框架 Google不仅是大数 ...
问题集录--TensorFlow深度学习
TensorFlow深度学习框架 Google不仅是大数据和云计算的领导者,在机器学习和深度学习上也有很好的实践和积累,在2015年年底开源了内部使用的深度学习框架TensorFlow. 与Caffe ...
学习参考《TensorFlow深度学习》高清中文版PDF+英文版PDF+源代码
我们知道,TensorFlow是比较流行的深度学习框架,除了看手册文档外,推荐大家看看<Tensorflow深度学习>,共分5方面内容:基础知识.关键模块.算法模型.内核揭秘.生态发展.前 ...

随机推荐

Extjs grid 单元格事件
celldblclick: function (view, td, cellIndex, record, tr, rowIndex, e, eOpts) { //extjs 4.2下,有时出现,多次不 ...
Spring Cloud ZooKeeper集成Feign的坑3，程序Run模式运行没事，Debug模式下报错
请更新Spring Cloud的版本: <dependency> <groupId>org.springframework.cloud</groupId> < ...
tomcat访问（access）日志配置、记录Post请求参数
tomcat访问(access)日志配置.记录Post请求参数一.配置与说明 tomcat访问日志格式配置,在config/server.xml里Host标签下加上 <Valve classN ...
Linux进程管理(3)：总结
7. exit与_exit的差异为了理解这两个系统调用的差异,先来讨论文件内存缓存区的问题. 在linux中,标准输入输出(I/O)函数都是作为文件来处理.对应于打开的每个文件,在内存中都有对 ...
Keras 最新《面向小数据集构建图像分类模型》
本文地址:http://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html ...
Python基础语法01
Python 标识符在python里,标识符有字母.数字.下划线组成. 在python中,所有标识符可以包括英文.数字以及下划线(_),但不能以数字开头. python中的标识符是区分大小写的. 以 ...
angular - 新建项目 - 2
ng new testNg 新建项目后,从网络上拉取模板(最后缓存下来,我们下次创建项目的时间将会减少80%) 安装过程中,需要我们提供Git账号和姓名最后,我们进入 useNg 然后,启动服务器 ...
CString和string头文件
在使用了MFC库的工程中CString可以直接使用,在没有使用MFC库的工程中加入#include <atlstr.h> 要使用STL里的string,要加入#include <st ...
Odoo webinar
分享些 odoo9 webinar 视频 https://pan.baidu.com/s/1pLF5njt
x264 编码数配置
记录项目中用到一组x264快速编码参数配置,具体如下: param->i_frame_reference = 1; param->i_scenecut_threshold = 0; par ...

Tensorflow深度学习之十二：基础图像处理之二

Tensorflow深度学习之十二：基础图像处理之二

Tensorflow深度学习之十二：基础图像处理之二的更多相关文章

随机推荐

热门专题