本篇文章主要介绍了使用TensorFlow进行图像处理的方法，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧
一、图片的放大缩小
在使用TensorFlow进行图片的放大缩小时，有三种方式：
1、tf.image.resize_nearest_neighbor（）:临界点插值
2、tf.image.resize_bilinear(）：双线性插值
3、tf.image.resize_bicubic(）：双立方插值算法
下面是示例代码：
# encoding:utf-8 # 使用TensorFlow进行图片的放缩 import tensorflow as tf import cv2 import numpy as np # 读取图片 img = cv2.imread("1.jpg-600") # 显示原始图片 cv2.imshow("resource", img) h, w, depth = img.shape img = np.expand_dims(img, 0) # 临界点插值 nn_image = tf.image.resize_nearest_neighbor(img, size=[h+100, w+100]) nn_image = tf.squeeze(nn_image) with tf.Session() as sess: # 运行 'init' op nn_image = sess.run(nn_image) nn_image = np.uint8(nn_image) # 双线性插值 bi_image = tf.image.resize_bilinear(img, size=[h+100, w+100]) bi_image = tf.squeeze(bi_image) with tf.Session() as sess: # 运行 'init' op bi_image = sess.run(bi_image) bi_image = np.uint8(bi_image) # 双立方插值算法 bic_image = tf.image.resize_bicubic(img, size=[h+100, w+100]) bic_image = tf.squeeze(bic_image) with tf.Session() as sess: # 运行 'init' op bic_image = sess.run(bic_image) bic_image = np.uint8(bic_image) # 显示结果图片 cv2.imshow("result_nn", nn_image) cv2.imshow("result_bi", bi_image) cv2.imshow("result_bic", bic_image) cv2.waitKey(0) cv2.destroyAllWindows()
二、图片的亮度调整
在使用TensorFlow进行图片的亮度调整时，有两种方式：
1、tf.image.adjust_brightness（）：亮度的全局调整
2、tf.image.random_brightness(）：亮度的随机调整
下面是示例代码：
# encoding:utf-8 # 使用TensorFlow调整图片的亮度 import tensorflow as tf import cv2 import numpy as np # 读取图片 img = cv2.imread("1.jpg-600") # 显示原始图片 cv2.imshow("resource", img) img = np.expand_dims(img, 0) # adjust_brightness bright_img = tf.image.adjust_brightness(img, delta=.5) bright_img = tf.squeeze(bright_img) with tf.Session() as sess: # 运行 'init' op result = sess.run(bright_img) result = np.uint8(result) rand_image = tf.image.random_brightness(img, max_delta=.5) rand_image = tf.squeeze(rand_image) with tf.Session() as sess: # 运行 'init' op result2 = sess.run(rand_image) result2 = np.uint8(result2) cv2.imshow("result", result) cv2.imshow("result2", result2) cv2.waitKey(0) cv2.destroyAllWindows()
三、图片的对比度调整
在使用TensorFlow进行图片的对比度调整时，有两种方式：
1、tf.image.adjust_contrast（）：对比度的全局调整
2、tf.image.random_contrast(）：对比度的随机调整
代码与图片的亮度调整类似，这里就不赘述了。
四、图片的饱和度调整
在使用TensorFlow进行图片的饱和度调整时，使用下列函数：
tf.image.adjust_saturation（）
饱和度调整范围为0~5
下面示例代码：
# encoding:utf-8 # 使用TensorFlow调整图片的亮度 import tensorflow as tf import cv2 import numpy as np # 读取图片 img = cv2.imread("1.jpg-600") # 显示原始图片 cv2.imshow("resource", img) # 图像的饱和度调整 stand_img = tf.image.adjust_saturation(img, saturation_factor=2.4) with tf.Session() as sess: # 运行 'init' op result = sess.run(stand_img) result = np.uint8(result) cv2.imshow("result", result) cv2.waitKey(0) cv2.destroyAllWindows()
五、图片的标准化
在使用TensorFlow对图像数据进行训练之前，常需要执行图像的标准化操作，它与归一化是有区别的，归一化不改变图像的直方图，标准化操作会改变图像的直方图。标准化操作使用如下函数：
tf.image.per_image_standardization（）
下面是示例代码：
# encoding:utf-8 # 使用TensorFlow调整图片的亮度 import tensorflow as tf import cv2 import numpy as np # 读取图片 img = cv2.imread("1.jpg-600") # 显示原始图片 cv2.imshow("resource", img) # 图像标准化操作 stand_img = tf.image.per_image_standardization(img) with tf.Session() as sess: # 运行 'init' op result = sess.run(stand_img) result = np.uint8(result) cv2.imshow("result", result) cv2.waitKey(0) cv2.destroyAllWindows()
六、图像的色彩空间转化
使用TensorFlow进行图像的色彩空间转化，包括HSV、RGB、灰度色彩空间之间的转化，使用的函数如下所示：
tf.image.rgb_ to_hsv（） tf.image.rgb_ to_grayscale（） tf.image.hsv_ to_rgb（）
代码与图像的标准化操作的代码相似，这里不再赘述。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持gaodaima搞代码网。
以上就是python使用TensorFlow进来源gao*daima.com搞@代#码网行图像处理的方法的详细内容，更多请关注gaodaima搞代码网其它相关文章！
转载请注明原文链接：python使用TensorFlow进行图像处理的方法
