参考书
《TensorFlow：实战Google深度学习框架》（第2版）
图像编码处理+图像大小调整+图像翻转+图像色彩调整+处理标注框
#!/usr/bin/env python
# -*- coding: UTF-8 -*-
# coding=utf-8
"""
@author: Li Tian
@contact: 694317828@qq.com
@software: pycharm
@file: figure_deal_test1.py
@time: 2019/1/21 10:06
@desc: 用TensorFlow对jpeg格式图像进行编码/解码
"""
# matplotlib.pyplot是一个python的画图工具。在这一节中使用这个工具来可视化经过TensorFlow处理的图像。
import matplotlib.pyplot as plt
import tensorflow as tf
# 读取图像的原始数据。
image_raw_data = tf.gfile.FastGFile('F:/Python3Space/figuredata_deal/krystal.jpg', 'rb').read()
with tf.Session() as sess:
# 对图像进行jpeg的格式解码从而得到图相对应的三维矩阵。TensorFlow还提供了tf.image.decode_png函数对png格式的图像进行解码。
# 解码之后的结果为一个张量，在使用它的取值之前需要明确调用运行的过程。
img_data = tf.image.decode_jpeg(image_raw_data)
imag_data = tf.image.convert_image_dtype(img_data, dtype=tf.float32)
# 调整图像调整大小
# 0：双线性插值法
resized_0 = tf.image.resize_images(imag_data, [300, 300], method=0)
# 1：最近邻居法
resized_1 = tf.image.resize_images(imag_data, [300, 300], method=1)
# 2：双三次插值法
resized_2 = tf.image.resize_images(imag_data, [300, 300], method=2)
# 3：面积插值法
resized_3 = tf.image.resize_images(imag_data, [300, 300], method=3)
# 对图像进行裁剪和填充
croped = tf.image.resize_image_with_crop_or_pad(imag_data, 1000, 1000)
padded = tf.image.resize_image_with_crop_or_pad(imag_data, 3000, 3000)
# 用过比例调整图像大小
central_cropped = tf.image.central_crop(imag_data, 0.5)
# 将图像上下翻转
flipped_0 = tf.image.flip_up_down(imag_data)
# 将图像左右翻转
flipped_1 = tf.image.flip_left_right(imag_data)
# 将图像沿对角线翻转
transposed = tf.image.transpose_image(imag_data)
# 随机图像翻转
flipped_2 = tf.image.random_flip_up_down(imag_data)
flipped_3 = tf.image.random_flip_left_right(imag_data)
# 图像亮度调整
adjusted = tf.image.adjust_brightness(imag_data, -0.5)
# 色彩调整的API可能导致像素的实数值超出0.0-1.0的范围，因此在输出最终图像前需要将其值截断在0.0-1.0范围区内，否则
# 不仅图像无法正常可视化，以此为输入的神经网络的训练质量也可能收到影响。
adjusted_0 = tf.clip_by_value(adjusted, 0.0, 1.0)
# 将图像的亮度+0.5
adjusted = tf.image.adjust_brightness(imag_data, 0.5)
adjusted_1 = tf.clip_by_value(adjusted, 0.0, 1.0)
# 在[-max_delta, max_delta)的范围随机调整图像的亮度。
adjusted_2 = tf.image.random_brightness(imag_data, max_delta=0.5)
# 改变图像的对比度
adjusted_3 = tf.image.adjust_contrast(imag_data, 0.5)
adjusted_4 = tf.image.adjust_contrast(imag_data, 5)
adjusted_5 = tf.image.random_contrast(imag_data, 0.1, 10)
# 调整图像色相
adjusted_6 = tf.image.adjust_hue(imag_data, 0.1)
adjusted_7 = tf.image.adjust_hue(imag_data, 0.6)
adjusted_8 = tf.image.random_hue(imag_data, 0.3)
# 调整图像饱和度
adjusted_9 = tf.image.adjust_saturation(imag_data, -5)
adjusted_10 = tf.image.adjust_saturation(imag_data, 5)
adjusted_11 = tf.image.random_saturation(imag_data, 0, 5)
# 图像标准化：将图像上的亮度均值变为0，方差变为1,。
adjusted_12 = tf.image.per_image_standardization(imag_data)
# 处理标注框
# 将图像缩小一些，这样可视化能让标准框更加清楚。
# img_data_deal = tf.image.resize_images(imag_data, [180, 267], method=1)
# 图像的输入是一个batch的数据，也就是多张图像组成四维矩阵，所以需要将解码之后的图像矩阵加一维
batched_1 = tf.expand_dims(tf.image.convert_image_dtype(img_data, tf.float32), 0)
boxes = tf.constant([[[0.05, 0.05, 0.9, 0.7], [0.35, 0.47, 0.5, 0.56]]])
result = tf.image.draw_bounding_boxes(batched_1, boxes)
# 随机截取图像上有信息含量的部分
# 可以通过提供标注框的方式来告诉随机截取图像的算法哪些部分是“有信息量”的
begin, size, bbox_for_draw = tf.image.sample_distorted_bounding_box(tf.shape(img_data), bounding_boxes=boxes, min_object_covered=0.4)
# 通过标注框可视化随机截取得到的图像
batched_2 = tf.expand_dims(tf.image.convert_image_dtype(img_data, tf.float32), 0)
image_with_box = tf.image.draw_bounding_boxes(batched_2, bbox_for_draw)
# 截取随机出来的图像。
distorted_image = tf.slice(img_data, begin, size)
plt.rcParams['font.sans-serif'] = ['SimHei'] # 步骤一（替换sans-serif字体）
plt.rcParams['axes.unicode_minus'] = False # 步骤二（解决坐标轴负数的负号显示问题）
# '''
fig1 = plt.figure(1, (16, 16), dpi=250)
ax = plt.subplot(331)
ax.set_title('原图')
plt.imshow(imag_data.eval（))
ax = plt.subplot(332)
ax.set_title('双线性插值法')
plt.imshow(resized_0.eval（))
ax = plt.subplot(333)
ax.set_title('最近邻居法')
plt.imshow(resized_1.eval（))
ax = plt.subplot(334)
ax.set_title('双三次插值法')
plt.imshow(resized_2.eval（))
ax = plt.subplot(335)
ax.set_title('面积插值法')
plt.imshow(resized_3.eval（))
ax = plt.subplot(336)
ax.set_title('对图像进行裁剪')
plt.imshow(croped.eval（))
ax = plt.subplot(337)
ax.set_title('对图像进行填充')
plt.imshow(padded.eval（))
ax = plt.subplot(338)
ax.set_title('比例调整图像大小')
plt.imshow(central_cropped.eval（))
fig2 = plt.figure(2, (16, 16), dpi=250)
ax = plt.subplot(331)
ax.set_title('图像上下反翻转')
plt.imshow(flipped_0.eval（))
ax = plt.subplot(332)
ax.set_title('图像左右翻转')
plt.imshow(flipped_1.eval（))
ax = plt.subplot(333)
ax.set_title('沿对角线翻转')
plt.imshow(transposed.eval（))
ax = plt.subplot(334)
ax.set_title('随机上下翻转')
plt.imshow(flipped_2.eval（))
ax = plt.subplot(335)
ax.set_title('随机左右翻转')
plt.imshow(flipped_3.eval（))
ax = plt.subplot(336)
ax.set_title('亮度调整-0.5')
plt.imshow(adjusted_0.eval（))
ax = plt.subplot(337)
ax.set_title('亮度调整+0.5')
plt.imshow(adjusted_1.eval（))
ax = plt.subplot(338)
ax.set_title('亮度随机调整')
plt.imshow(adjusted_2.eval（))
fig3 = plt.figure(3, (16, 16), dpi=250)
ax = plt.subplot(331)
ax.set_title('对比度调整+0.5')
plt.imshow(adjusted_3.eval（))
ax = plt.subplot(332)
ax.set_title('对比度调整+5')
plt.imshow(adjusted_4.eval（))
ax = plt.subplot(333)
ax.set_title('对比度随机调整')
plt.imshow(adjusted_5.eval（))
ax = plt.subplot(334)
ax.set_title('色相调整+0.1')
plt.imshow(adjusted_6.eval（))
ax = plt.subplot(335)
ax.set_title('色相调整+0.6')
plt.imshow(adjusted_7.eval（))
ax = plt.subplot(336)
ax.set_title('色相随机调整')
plt.imshow(adjusted_8.eval（))
ax = plt.subplot(337)
ax.set_title('饱和度调整-5')
plt.imshow(adjusted_9.eval（))
ax = plt.subplot(338)
ax.set_title('饱和度调整+5')
plt.imshow(adjusted_10.eval（))
ax = plt.subplot(339)
ax.set_title('饱和度随机调整')
plt.imshow(adjusted_11.eval（))
# '''
fig4 = plt.figure(4, (16, 16), dpi=250)
ax = plt.subplot(221)
ax.set_title('图像标准化')
plt.imshow(adjusted_12.eval（))
ax = plt.subplot(222)
ax.set_title('处理标注框')
plt.imshow(result[0].eval（))
ax = plt.subplot(223)
ax.set_title('随机生成的包含一定信息量的边框')
plt.imshow(image_with_box[0].eval（))
ax = plt.subplot(224)
ax.set_title('随机截取图像上信息含量的部分')
plt.imshow(distorted_image.eval（))
# 使用pyplot工具可视化得到的图像。
# plt.show()
# '''
fig1.savefig('F:/Python3Space/figuredata_deal/figure1.jpg', bbox_inches='tight')
fig2.savefig('F:/Python3Space/figuredata_deal/figure2.jpg', bbox_inches='tight')
fig3.savefig('F:/Python3Space/figuredata_deal/figure3.jpg', bbox_inches='tight')
# '''
fig4.savefig('F:/Python3Space/figuredata_deal/figure4.jpg', bbox_inches='tight')
# 将表示一张图像的三维矩阵重新按照jpeg格式编码并存入文件中，打开这张图像，可以得到和原始图像一样的图像。
# encoded_image = tf.image.encode_jpeg(imag_data)
# with tf.gfile.GFile('C:/Users/Administrator/Desktop/Python3Space/figuredata_deal/output.jpg', 'wb') as f:
# f.write(encoded_image.eval（))
运行结果：
