各位用户为了找寻关于tensorflow图像裁剪进行数据增强操作的资料费劲了很多周折。这里教程网为您整理了关于tensorflow图像裁剪进行数据增强操作的相关资料，仅供查阅，以下为您介绍关于tensorflow图像裁剪进行数据增强操作的详细内容

我就废话不多说了，大家还是直接看代码吧~

? 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 #!/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：

? 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 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服务器之家。

原文链接：https://blog.csdn.net/yeler082/article/details/90375302