圖像預(yù)處理完整案例 純代碼

__author__ = 'ding'
'''
完整的圖像預(yù)處理案例
'''
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt


def distort_color(image, color_ordering=0):
    if color_ordering == 0:
        image = tf.image.random_brightness(image, max_delta=32. / 255.)
        image = tf.image.random_saturation(image, lower=0.5, upper=1.5)
        image = tf.image.random_hue(image, max_delta=0.2)
        image = tf.image.random_contrast(image, lower=0.5, upper=1.5)
    elif color_ordering == 1:
        image = tf.image.random_saturation(image, lower=0.5, upper=1.5)
        image = tf.image.random_brightness(image, max_delta=32. / 255.)
        image = tf.image.random_contrast(image, lower=0.5, upper=1.5)
        image = tf.image.random_hue(image, max_delta=0.2)
    return tf.clip_by_value(image, 0.0, 1.0)


def preprocess_for_train(image, height, width, bbox):
    if bbox is None:
        bbox = tf.constant([0.0, 0.0, 1.0, 1.0], dtype=tf.float32, shape=[1, 1, 4])
    if image.dtype != tf.float32:
        image = tf.image.convert_image_dtype(image, dtype=tf.float32)

    bbox_begin, bbox_size, _ = tf.image.sample_distorted_bounding_box(
        tf.shape(image), bounding_boxes=bbox, min_object_covered=0.1
    )
    distort_image = tf.slice(image, bbox_begin, bbox_size)
    distort_image = tf.image.resize_images(
        distort_image, (height, width), method=np.random.randint(4)
    )
    distort_image = tf.image.random_flip_left_right(distort_image)
    distort_image = distort_color(distort_image, np.random.randint(2))
    return distort_image


image_raw_data = tf.gfile.GFile('./path/to/picture1.jpeg', 'rb').read()
with tf.Session() as sess:
    image_data = tf.image.decode_jpeg(image_raw_data)
    boxes = tf.constant([[[0.05, 0.05, 0.9, 0.7], [0.35, 0.47, 0.5, 0.56]]])

    for i in range(6):
        result = preprocess_for_train(image_data, 299, 299, boxes)
        plt.figure(i)
        plt.imshow(result.eval())
    plt.show()
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末泽篮,一起剝皮案震驚了整個(gè)濱河市软吐,隨后出現(xiàn)的幾起案子魄咕,更是在濱河造成了極大的恐慌,老刑警劉巖尤误,帶你破解...
    沈念sama閱讀 221,888評論 6 515
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異结缚,居然都是意外死亡损晤,警方通過查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 94,677評論 3 399
  • 文/潘曉璐 我一進(jìn)店門红竭,熙熙樓的掌柜王于貴愁眉苦臉地迎上來尤勋,“玉大人,你說我怎么就攤上這事茵宪∽畋” “怎么了?”我有些...
    開封第一講書人閱讀 168,386評論 0 360
  • 文/不壞的土叔 我叫張陵稀火,是天一觀的道長暖哨。 經(jīng)常有香客問我,道長凰狞,這世上最難降的妖魔是什么篇裁? 我笑而不...
    開封第一講書人閱讀 59,726評論 1 297
  • 正文 為了忘掉前任,我火速辦了婚禮赡若,結(jié)果婚禮上茴恰,老公的妹妹穿的比我還像新娘。我一直安慰自己斩熊,他們只是感情好往枣,可當(dāng)我...
    茶點(diǎn)故事閱讀 68,729評論 6 397
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著粉渠,像睡著了一般分冈。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上霸株,一...
    開封第一講書人閱讀 52,337評論 1 310
  • 那天雕沉,我揣著相機(jī)與錄音,去河邊找鬼去件。 笑死坡椒,一個(gè)胖子當(dāng)著我的面吹牛扰路,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播倔叼,決...
    沈念sama閱讀 40,902評論 3 421
  • 文/蒼蘭香墨 我猛地睜開眼汗唱,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了丈攒?” 一聲冷哼從身側(cè)響起哩罪,我...
    開封第一講書人閱讀 39,807評論 0 276
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎巡验,沒想到半個(gè)月后际插,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 46,349評論 1 318
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡显设,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 38,439評論 3 340
  • 正文 我和宋清朗相戀三年框弛,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片捕捂。...
    茶點(diǎn)故事閱讀 40,567評論 1 352
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡功咒,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出绞蹦,到底是詐尸還是另有隱情力奋,我是刑警寧澤,帶...
    沈念sama閱讀 36,242評論 5 350
  • 正文 年R本政府宣布幽七,位于F島的核電站景殷,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏澡屡。R本人自食惡果不足惜猿挚,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,933評論 3 334
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望驶鹉。 院中可真熱鬧绩蜻,春花似錦、人聲如沸室埋。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,420評論 0 24
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至,卻和暖如春毡惜,著一層夾襖步出監(jiān)牢的瞬間看峻,已是汗流浹背萨西。 一陣腳步聲響...
    開封第一講書人閱讀 33,531評論 1 272
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人洼畅。 一個(gè)月前我還...
    沈念sama閱讀 48,995評論 3 377
  • 正文 我出身青樓佳鳖,卻偏偏與公主長得像霍殴,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個(gè)殘疾皇子系吩,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,585評論 2 359

推薦閱讀更多精彩內(nèi)容