使用TensorFlow进行简单的图像处理

简介: 使用TensorFlow进行简单的图像处理概述作为计算机视觉开发者,使用TensorFlow进行简单的图像处理是基本技能,而TensorFlow在tf.image包中支持对图像的常见的操作包括:亮度调整对比度调整饱和度调整图像采样插值放缩色彩空间转换Gamma校正标准化图像的读入与显示我们通过OpenCV来实现,这里需要注意一点,OpenCV中图像三个通道是BGR,如果你是通过tensorflow读取的话三个通过顺序是RGB。

使用TensorFlow进行简单的图像处理

概述

作为计算机视觉开发者,使用TensorFlow进行简单的图像处理是基本技能,而TensorFlow在tf.image包中支持对图像的常见的操作包括:

  • 亮度调整
  • 对比度调整
  • 饱和度调整
  • 图像采样插值放缩
  • 色彩空间转换
  • Gamma校正
  • 标准化

图像的读入与显示我们通过OpenCV来实现,这里需要注意一点,OpenCV中图像三个通道是BGR,如果你是通过tensorflow读取的话三个通过顺序是RGB。图像读取的代码如下:

1.opencv方式

src = cv.imread("D:/vcprojects/images/meinv.png")

2.tensorflow方式

jpg = tf.read_file("D:/vcprojects/images/yuan_test.png")
img = tf.image.decode_jpeg(jpg, channels=3)

3.使用OpenCV显示图像

def show_image(image, title='input'):
    print("result : \n", image)
    cv.namedWindow(title, cv.WINDOW_AUTOSIZE)
    cv.imshow(title, image)
    cv.waitKey(0)
    cv.destroyAllWindows()

原图显示如下:
这里写图片描述

1.放缩图像

支持三种方式,分别是临界点插值、双线性插值与双立方插值,不过我发现在使用双立方插值的时候,tensorflow处理之后图像总是会出现一些噪点,这个算不算它的BUG
- tf.image.resize_nearest_neighbor # 临界点插值
- tf.image.resize_bilinear # 双线性插值
- tf.image.resize_bicubic # 双立方插值算法
演示代码如下:

src = cv.imread("D:/vcprojects/images/meinv.png")
cv.imshow("input", src)
h, w, depth = src.shape
src = np.expand_dims(src, 0)
print(src.shape)
bi_image = tf.image.resize_bilinear(src, size=[h*2, w*2])
bi_image = tf.squeeze(bi_image)
bi_result = sess.run(bi_image)
bi_result = np.uint8(bi_result)
show_image(bi_result,"bilinear-zoom")

显示图像如下:
这里写图片描述

2.图像亮度调整

图像亮度是图像基本属性之一,tensorflow支持两种方式API对图像亮度进行调整
- tf.image.adjust_brightness
- tf.image.random_brightness
使用上述API的时候需要对图像进行维度添加为四维的tensor数据,完整的图像亮度调整的代码如下:

src = cv.imread("D:/vcprojects/images/meinv.png")
src = np.expand_dims(src, 0)
brightness = tf.image.adjust_brightness(src, delta=.5)
brightness = tf.squeeze(brightness)
result = sess.run(brightness)
result = np.uint8(result)
show_image(result, "brightness demo")

显示图像如下:
这里写图片描述

3.图像对比度调整

图像对比度是图像基本属性之一,tensorflow支持两种方式API对图像对比度进行调整
- tf.image.adjust_contrast
- tf.image.random_contrast
前面一种全局调整,后面一种方式是随机调整,对比度调整的代码演示如下:

src = cv.imread("D:/vcprojects/images/meinv.png")
src = np.expand_dims(src, 0)
contrast = tf.image.adjust_contrast(src, contrast_factor=2.2)
contrast = tf.squeeze(contrast)
result = sess.run(contrast)
result = np.uint8(result)
show_image(result, "contrast demo")

显示图像如下:
这里写图片描述

4.图像gamma校正

伽玛校正就是对图像的伽玛曲线进行编辑,以对图像进行非线性色调编辑的方法,检出图像信号中的深色部分和浅色部分,并使两者比例增大,从而提高图像的对比度。相关API为:
- tf.image.adjust_gamma
常见gamma的取值范围为0.05~5之间,tensorflow实现gamma校正的代码演示如下:

src = cv.imread("D:/vcprojects/images/meinv.png")
src = np.expand_dims(src, 0)
contrast = tf.image.adjust_gamma(src, gain=1.0, gamma=4.2)
contrast = tf.squeeze(contrast)
result = sess.run(contrast)
result = np.uint8(result)
show_image(result, "gamma demo")

显示图像如下:
这里写图片描述

5.图像饱和度调整

图像饱和度是图像HSV色彩空间最常见的指标之一,通过调整图像饱和度可以得到更加自然光泽的图像,tensorflow中饱和度调整的API如下:

  • tf.image.adjust_saturation

常见的饱和度调整范围在0~5之间取值即可,演示代码如下:

src = cv.imread("D:/vcprojects/images/meinv.png")
contrast = tf.image.adjust_saturation(src, saturation_factor=2.2)
result = sess.run(contrast)
result = np.uint8(result)
show_image(result, "saturation demo")

这里要特别说明一下,饱和度调整不支持4D tensor对象,所以读入的RGB图像即可“`。无需再次进行维度增加操作。最终调整之后的演示图像如下:
这里写图片描述
6.图像标准化

这个在tensorflow中对图像数据训练之前,经常会进行此步操作,它跟归一化是有区别的。归一化的图像直方图不会改变,标准化会改变图像直方图分布,标准化API如下:
- tf.image.per_image_standardization
图像标准化实现代码如下:

src = cv.imread("D:/vcprojects/images/meinv.png")
contrast = tf.image.per_image_standardization(src)
result = sess.run(contrast)
result = np.uint8(result)
show_image(result, "standardization demo")

演示结果如下:
这里写图片描述
7.图像色彩空间转换

tensorflow支持常见图像色彩空间转换,包括RGB、HSV、灰度色彩空间,相关API如下:
- tf.image.rgb_ to_hsv
- tf.image.rgb_ to_grayscale
- tf.image.hsv_ to_rgb
将图像从RGB色彩空间转换到灰度空间的代码演示如下:

src = cv.imread("D:/vcprojects/images/meinv.png")
gray = tf.image.rgb_to_grayscale(src)
result = sess.run(gray)
result = np.uint8(result)
show_image(result, "gray - demo")

结果显示如下:
这里写图片描述

小结

tensorflow中还提供一些其他的图像操作相关API,比如裁剪、填充、随机调整亮度、对比度等,还有非最大信号压制等操作,感兴趣的可以自己进一步学习。
欢迎关注微信公众号
【OpenCV学堂】

目录
相关文章
|
2月前
|
机器学习/深度学习 存储 TensorFlow
TensorFlow 深度学习第二版:6~10(1)
TensorFlow 深度学习第二版:6~10(1)
39 0
|
2月前
|
机器学习/深度学习 算法框架/工具 Docker
TensorFlow 图像深度学习实用指南:1~3 全
TensorFlow 图像深度学习实用指南:1~3 全
34 1
|
2月前
|
机器学习/深度学习 算法 TensorFlow
精通 TensorFlow 2.x 计算机视觉:第二部分
精通 TensorFlow 2.x 计算机视觉:第二部分
8 0
|
2月前
|
TensorFlow 算法框架/工具 计算机视觉
精通 TensorFlow 2.x 计算机视觉:第三、四部分
精通 TensorFlow 2.x 计算机视觉:第三、四部分
29 0
|
2月前
|
机器学习/深度学习 TensorFlow 算法框架/工具
精通 TensorFlow 2.x 计算机视觉:第一部分
精通 TensorFlow 2.x 计算机视觉:第一部分
21 0
|
2月前
|
机器学习/深度学习 存储 算法
TensorFlow 卷积神经网络实用指南:6~10
TensorFlow 卷积神经网络实用指南:6~10
100 0
|
2月前
|
机器学习/深度学习 TensorFlow 算法框架/工具
TensorFlow 卷积神经网络实用指南:1~5
TensorFlow 卷积神经网络实用指南:1~5
10 0
|
7月前
|
机器学习/深度学习 PyTorch TensorFlow
TensorFlow VS PyTorch哪个更强?
TensorFlow 和 PyTorch 都是流行的深度学习框架,它们有一些共同点,例如都支持多种编程语言和硬件平台,也都提供了丰富的工具和库来支持深度学习模型的构建、训练和部署。以下是它们的一些区别和优缺点: 区别: 1. 编程风格:TensorFlow 使用的是静态图模型,需要先定义整个计算图,然后再进行计算。PyTorch 使用的是动态图模型,可以像普通 Python 代码一样进行定义、调试和修改。 2. 计算效率:由于 TensorFlow 的计算图是静态的,可以对其进行优化和分布式计算,因此在大规模数据和模型上进行训练时,TensorFlow 的效率更高。而 PyTorch 在小规模
290 0
|
TensorFlow 算法框架/工具 计算机视觉
|
机器学习/深度学习 PyTorch 程序员
TensorFlow还是PyTorch?哪一个才更适合编写深度神经网络?
TensorFlow还是PyTorch?哪一个才更适合编写深度神经网络?
179 0
TensorFlow还是PyTorch?哪一个才更适合编写深度神经网络?