这篇文章主要介绍了tensorflow图像裁剪进行数据增强操作，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
我就废话不多说了，大家还是直接看代码吧~
#!/usr/bin/env python # encoding: utf-8 ''' @author: lele Ye @contact: 1750112338@qq.com @software: pycharm 2018.2 @file: 13mnist.py @time: 2018/12/17 10:23 @desc: ''' import tensorflow as tf import scipy.misc import matplotlib.pyplot as plt import random # 读取图像可任意大小 filenames = ['./tianchi.jpg-600'] # 创建文件读取队列 filename_queue = tf.train.string_input_producer(filenames) # 一个阅读器，读取整个文件，返回文件名称key,以及文件中所有的内容value reader = tf.WholeFileReader() # Returns the next record (key, value) pair produced by a reader key, value = reader.read(filename_queue) images = tf.image.decode_jpeg(value) # tf.image.decode_png(value) target_width = target_height = 224 # 裁切图片 with tf.Session() as sess: # Coordinator的使用，用于多线程的协调 coord = tf.train.Coordinator() # 启动所有graph收集到的队列运行器(queuerunners) threads = tf.train.start_queue_runners(coord=coord) height,width,channels = sess.run(tf.shape(images)) offset_height = random.randint(0,height-target_height) offset_width = random.randint(0,width-target_width) reshapeimg = tf.image.crop_to_bounding_box(images, offset_height=offset_height, offset_width=offset_width, target_height=target_height,target_width=target_width) print(type(reshapeimg)) #reimg1 = reshapeimg.eval() # reimg1的类型是 scipy.misc.imsave('./crop.jpg-600', reimg1) plt.imshow(reimg1) plt.axis("off") plt.show() # 请求线程结束 coord.request_stop() # 等待线程终止 coord.join(threads)
原始图像480x320x3：
裁剪后224x224x3：
补充知识：Tensorflow 图像增强（ImageDataGenerator）
当我们训练一个较为复杂的网络，并且我们的训练数据集有限时，网络十分容易陷入过拟合的状态。
解决这个问题的一个可能的有效方法是：进行数据增强，即通过已有的有限的数据集，通过图像处理等方法（旋转，剪切，缩放…），获得更多的，类似的，多样化的数据。
数据增强处理，不会占用更多的存储空间，即在数据增强过程中，原始的数据不会被修改，所有的处理过程都是在内存中 即时（on-the-fly） 的处理。
注意：
数据增强不一定是万能药（虽然数据多了），数据增强提高了原始数据的随机性，但是若 测试集或应用场景 并不具有这样的随机性，那么它将不会起到作用，还会增加训练所需的时间。
使用方法：
train_datagen = ImageDataGenerator( rescale=1./255, #数据值除以255，[0-255] ->[0,1] shear_range=0.2, #剪切强度（逆时针方向的剪切角度，以度为单位） zoom_range=0.2, #随机缩放范围 horizontal_flip=True) #水平翻转 test_datagen = ImageDataGenerator(rescale=1./255) train_generator = train_datagen.flow_from_directory( 'data/train', target_size=(150, 150), batch_size=32, class_mode='binary') validation_generator = test_datagen.flow_from_directory( 'data/validation', target_size=(150, 150), batch_size=32, class_mode='binary') model.fit_generator( train_generator, steps_per_epoch=2000, epochs=50, validation_data=validation_generator, validation_steps=800)
以上这篇tensorflow图像裁剪进行数据增强操作就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持html中文网。
以上就是tensorflow图像裁剪进行数据增强操作的详细内容，更多请关注0133技术站其它相关文章！
