学习TensorFlow，生成tensorflow输入输出的图像格式

TensorFLow能够识别的图像文件，可以通过numpy，使用tf.Variable或者tf.placeholder加载进tensorflow；也可以通过自带函数（tf.read）读取，当图像文件过多时，一般使用pipeline通过队列的方法进行读取。下面我们介绍两种生成tensorflow的图像格式的方法，供给tensorflow的graph的输入与输出。

1

[python] view plain copy

1. import cv2  
2. import numpy as np  
3. import h5py  
4.   
5. height = 460  
6. width = 345  
7.   
8. with h5py.File('make3d_dataset_f460.mat','r') as f:  
9.     images = f['images'][:]  
10.       
11. image_num = len(images)  
12.   
13. data = np.zeros((image_num, height, width, 3), np.uint8)  
14. data = images.transpose((0,3,2,1))  

先生成图像文件的路径：ls *.jpg> list.txt

[python] view plain copy

1. import cv2  
2. import numpy as np  
3.   
4. image_path = './'  
5. list_file  = 'list.txt'  
6. height = 48  
7. width = 48  
8.   
9. image_name_list = [] # read image  
10. with open(image_path + list_file) as fid:  
11.     image_name_list = [x.strip() for x in fid.readlines()]  
12. image_num = len(image_name_list)  
13.   
14. data = np.zeros((image_num, height, width, 3), np.uint8)  
15.   
16. for idx in range(image_num):  
17.     img = cv2.imread(image_name_list[idx])  
18.     img = cv2.resize(img, (height, width))  
19.     data[idx, :, :, :] = img  

2 Tensorflow自带函数读取

[python] view plain copy

1. def get_image(image_path):  
2.     """Reads the jpg image from image_path. 
3.     Returns the image as a tf.float32 tensor 
4.     Args: 
5.         image_path: tf.string tensor 
6.     Reuturn: 
7.         the decoded jpeg image casted to float32 
8.     """  
9.     return tf.image.convert_image_dtype(  
10.         tf.image.decode_jpeg(  
11.             tf.read_file(image_path), channels=3),  
12.         dtype=tf.uint8)  

 pipeline读取方法

[python] view plain copy

1. # Example on how to use the tensorflow input pipelines. The explanation can be found here ischlag.github.io.  
2. import tensorflow as tf  
3. import random  
4. from tensorflow.python.framework import ops  
5. from tensorflow.python.framework import dtypes  
6.   
7. dataset_path      = "/path/to/your/dataset/mnist/"  
8. test_labels_file  = "test-labels.csv"  
9. train_labels_file = "train-labels.csv"  
10.   
11. test_set_size = 5  
12.   
13. IMAGE_HEIGHT  = 28  
14. IMAGE_WIDTH   = 28  
15. NUM_CHANNELS  = 3  
16. BATCH_SIZE    = 5  
17.   
18. def encode_label(label):  
19.   return int(label)  
20.   
21. def read_label_file(file):  
22.   f = open(file, "r")  
23.   filepaths = []  
24.   labels = []  
25.   for line in f:  
26.     filepath, label = line.split(",")  
27.     filepaths.append(filepath)  
28.     labels.append(encode_label(label))  
29.   return filepaths, labels  
30.   
31. # reading labels and file path  
32. train_filepaths, train_labels = read_label_file(dataset_path + train_labels_file)  
33. test_filepaths, test_labels = read_label_file(dataset_path + test_labels_file)  
34.   
35. # transform relative path into full path  
36. train_filepaths = [ dataset_path + fp for fp in train_filepaths]  
37. test_filepaths = [ dataset_path + fp for fp in test_filepaths]  
38.   
39. # for this example we will create or own test partition  
40. all_filepaths = train_filepaths + test_filepaths  
41. all_labels = train_labels + test_labels  
42.   
43. all_filepaths = all_filepaths[:20]  
44. all_labels = all_labels[:20]  
45.   
46. # convert string into tensors  
47. all_images = ops.convert_to_tensor(all_filepaths, dtype=dtypes.string)  
48. all_labels = ops.convert_to_tensor(all_labels, dtype=dtypes.int32)  
49.   
50. # create a partition vector  
51. partitions = [0] * len(all_filepaths)  
52. partitions[:test_set_size] = [1] * test_set_size  
53. random.shuffle(partitions)  
54.   
55. # partition our data into a test and train set according to our partition vector  
56. train_images, test_images = tf.dynamic_partition(all_images, partitions, 2)  
57. train_labels, test_labels = tf.dynamic_partition(all_labels, partitions, 2)  
58.   
59. # create input queues  
60. train_input_queue = tf.train.slice_input_producer(  
61.                                     [train_images, train_labels],  
62.                                     shuffle=False)  
63. test_input_queue = tf.train.slice_input_producer(  
64.                                     [test_images, test_labels],  
65.                                     shuffle=False)  
66.   
67. # process path and string tensor into an image and a label  
68. file_content = tf.read_file(train_input_queue[0])  
69. train_image = tf.image.decode_jpeg(file_content, channels=NUM_CHANNELS)  
70. train_label = train_input_queue[1]  
71.   
72. file_content = tf.read_file(test_input_queue[0])  
73. test_image = tf.image.decode_jpeg(file_content, channels=NUM_CHANNELS)  
74. test_label = test_input_queue[1]  
75.   
76. # define tensor shape  
77. train_image.set_shape([IMAGE_HEIGHT, IMAGE_WIDTH, NUM_CHANNELS])  
78. test_image.set_shape([IMAGE_HEIGHT, IMAGE_WIDTH, NUM_CHANNELS])  
79.   
80.   
81. # collect batches of images before processing  
82. train_image_batch, train_label_batch = tf.train.batch(  
83.                                     [train_image, train_label],  
84.                                     batch_size=BATCH_SIZE  
85.                                     #,num_threads=1  
86.                                     )  
87. test_image_batch, test_label_batch = tf.train.batch(  
88.                                     [test_image, test_label],  
89.                                     batch_size=BATCH_SIZE  
90.                                     #,num_threads=1  
91.                                     )  
92.   
93. print "input pipeline ready"  
94.   
95. with tf.Session() as sess:  
96.     
97.   # initialize the variables  
98.   sess.run(tf.initialize_all_variables())  
99.     
100.   # initialize the queue threads to start to shovel data  
101.   coord = tf.train.Coordinator()  
102.   threads = tf.train.start_queue_runners(coord=coord)  
103.   
104.   print "from the train set:"  
105.   for i in range(20):  
106.     print sess.run(train_label_batch)  
107.   
108.   print "from the test set:"  
109.   for i in range(10):  
110.     print sess.run(test_label_batch)  
111.   
112.   # stop our queue threads and properly close the session  
113.   coord.request_stop()  
114.   coord.join(threads)  
115.   sess.close()  

参考资料

[1] http://ischlag.github.io/2016/06/19/tensorflow-input-pipeline-example/

[2] https://indico.io/blog/tensorflow-data-inputs-part1-placeholders-protobufs-queues/