tensorflow图像裁剪进行数据增强操作

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']
# 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)) # <class 'tensorflow.python.framework.ops.Tensor'>
 reimg1 = reshapeimg.eval() # reimg1的类型是<class 'numpy.ndarray'>
 scipy.misc.imsave('./crop.jpg', 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)

来源：https://blog.csdn.net/yeler082/article/details/90375302