TensorFlow学习之 图像预处理

 import tensorflow as tf
 import matplotlib.pyplot as plt

 image_raw_data = tf.gfile.GFile("./picture.jpg", "rb").read()
 with tf.Session() as sess:
     """
     图像编码解码处理
     """
     # 解码过程
     img_data = tf.image.decode_jpeg(image_raw_data)
     print(img_data.eval())

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

     """
     图像大小调整
     """
     # 将图片数据转化为实数类型，将0-255的像素值转化为0.0-1.0之间的实数
     img_data = tf.image.convert_image_dtype(img_data, dtype=tf.float32)

     # 第一个参数：原始图像；第二个参数：调整后的图像大小；第三个参数：method参数给出调整图像大小的算法
     resized = tf.image.resize_images(img_data, [300, 300], method=0)

     # 目标尺寸小于原始尺寸，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())

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

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

     # 沿对角线高翻转
     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())

     """
     图像色彩调整
     """
     # 亮度 -0.5
     adjusted = tf.image.adjust_brightness(img_data, -0.5)
     # 将其值截取在0.0-1.0之间，防止像素实数值超出0.0-1.0的范围
     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]的范围之间随机调整图像亮度
     adjusted_random = tf.image.random_brightness(img_data, 0.2)

     # 对比度 x0.5
     adjusted1 = tf.image.adjust_contrast(img_data, 0.5)
     # 对比度 增加5倍
     adjusted2 = tf.image.adjust_contrast(img_data, 5)
     # 在[lower， upper]的范围内随机调整图像的对比度
     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]的范围内随机调整图像的色相，max_delta取值范围[0, 0.5]
     adjusted_hue3 = tf.image.random_hue(img_data, 0.3)

     # 饱和度 -5
     adjust_saturation1 = tf.image.adjust_saturation(img_data, -5)
     # 饱和度 +5
     adjust_saturation2 = tf.image.adjust_saturation(img_data, 5)
     # 在[lower, upper]的范围之间随机调整图像的饱和度,lower必须是非负值
     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())

     # 图像数值标准化，均值为0，方差为1
     adjust_standardization = tf.image.per_image_standardization(img_data)
     plt.figure()
     plt.imshow(adjust_standardization.eval())

     plt.show()