本文面對三種常常遇到的情況，總結(jié)三種讀取數(shù)據(jù)的方式，分別用于處理單張圖片、大量圖片，和TFRecorder讀取方式。并且還補充了功能相近的tf函數(shù)。

1、處理單張圖片

我們訓(xùn)練完模型之后，常常要用圖片測試，有的時候，我們并不需要對很多圖像做測試，可能就是幾張甚至一張。這種情況下沒有必要用隊列機制。

import tensorflow as tf

import matplotlib.pyplot as plt

def read_image(file_name):

img = tf.read_file(filename=file_name) # 默認讀取格式為uint8

print("img 的類型是",type(img));

img = tf.image.decode_jpeg(img,channels=0) # channels 為1得到的是灰度圖，為0則按照圖片格式來讀

return img

def main( ):

with tf.device("/cpu:0"):

# img_path是文件所在地址包括文件名稱，地址用相對地址或者絕對地址都行

img_path='./1.jpg'

img=read_image(img_path)

with tf.Session() as sess:

image_numpy=sess.run(img)

print(image_numpy)

print(image_numpy.dtype)

print(image_numpy.shape)

plt.imshow(image_numpy)

plt.show()

if __name__=="__main__":

main()

"""

輸出結(jié)果為：

img 的類型是

[[[196 219 209]

[196 219 209]

[196 219 209]

...

[[ 71 106? 42]

[ 59? 89? 39]

[ 34? 63? 19]

...

[ 21? 52? 46]

[ 15? 45? 43]

[ 22? 50? 53]]]

uint8

(675, 1200, 3)

"""

和tf.read_file用法相似的函數(shù)還有tf.gfile.FastGFile? tf.gfile.GFile，只是要指定讀取方式是'r' 還是'rb' 。

2、需要讀取大量圖像用于訓(xùn)練

這種情況就需要使用Tensorflow隊列機制。首先是獲得每張圖片的路徑，把他們都放進一個list里面，然后用string_input_producer創(chuàng)建隊列，再用tf.WholeFileReader讀取。具體請看下例：

def get_image_batch(data_file,batch_size):

data_names=[os.path.join(data_file,k) for k in os.listdir(data_file)]

#這個num_epochs函數(shù)在整個Graph是local Variable，所以在sess.run全局變量的時候也要加上局部變量。

filenames_queue=tf.train.string_input_producer(data_names,num_epochs=50,shuffle=True,capacity=512)

reader=tf.WholeFileReader()

_,img_bytes=reader.read(filenames_queue)

image=tf.image.decode_png(img_bytes,channels=1) #讀取的是什么格式，就decode什么格式

#解碼成單通道的，并且獲得的結(jié)果的shape是[?, ?,1]，也就是Graph不知道圖像的大小，需要set_shape

image.set_shape([180,180,1]) #set到原本已知圖像的大小。或者直接通過tf.image.resize_images，tf.reshape()

image=tf.image.convert_image_dtype(image,tf.float32)

#預(yù)處理 下面的一句代碼可以換成自己想使用的預(yù)處理方式

#image=tf.divide(image,255.0)

return tf.train.batch([image],batch_size)

這里的date_file是指文件夾所在的路徑，不包括文件名。第一句是遍歷指定目錄下的文件名稱，存放到一個list中。當然這個做法有很多種方法，比如glob.glob，或者tf.train.match_filename_once

全部代碼如下：

import tensorflow as tf

import os

def read_image(data_file,batch_size):

data_names=[os.path.join(data_file,k) for k in os.listdir(data_file)]

filenames_queue=tf.train.string_input_producer(data_names,num_epochs=5,shuffle=True,capacity=30)

reader=tf.WholeFileReader()

_,img_bytes=reader.read(filenames_queue)

image=tf.image.decode_jpeg(img_bytes,channels=1)

image=tf.image.resize_images(image,(180,180))

image=tf.image.convert_image_dtype(image,tf.float32)

return tf.train.batch([image],batch_size)

def main( ):

img_path=r'F:\dataSet\WIDER\WIDER_train\images\6--Funeral' #本地的一個數(shù)據(jù)集目錄，有足夠的圖像

img=read_image(img_path,batch_size=10)

image=img[0] #取出每個batch的第一個數(shù)據(jù)

print(image)

init=[tf.global_variables_initializer(),tf.local_variables_initializer()]

with tf.Session() as sess:

sess.run(init)

coord = tf.train.Coordinator()

threads = tf.train.start_queue_runners(sess=sess,coord=coord)

try:

while not coord.should_stop():

print(image.shape)

except tf.errors.OutOfRangeError:

print('read done')

finally:

coord.request_stop()

coord.join(threads)

if __name__=="__main__":

main()

"""

輸出如下：

(180, 180, 1)

(180, 180, 1)

(180, 180, 1)

(180, 180, 1)

(180, 180, 1)

"""

這段代碼可以說寫的很是規(guī)整了。注意到init里面有對local變量的初始化，并且因為用到了隊列，當然要告訴電腦什么時候隊列開始, tf.train.Coordinator 和 tf.train.start_queue_runners 就是兩個管理隊列的類，用法如程序所示。

與 tf.train.string_input_producer相似的函數(shù)是 tf.train.slice_input_producer。 tf.train.slice_input_producer和tf.train.string_input_producer的第一個參數(shù)形式不一樣。等有時間再做一個二者比較的博客

3、對TFRecorder解碼獲得圖像數(shù)據(jù)

其實這塊和上一種方式差不多的，更重要的是怎么生成TFRecorder文件，這一部分我會補充到另一篇博客上。

仍然使用 tf.train.string_input_producer。

import tensorflow as tf

import matplotlib.pyplot as plt

import os

import cv2

import numpy as np

import glob

def read_image(data_file,batch_size):

files_path=glob.glob(data_file)

queue=tf.train.string_input_producer(files_path,num_epochs=None)

reader = tf.TFRecordReader()

print(queue)

_, serialized_example = reader.read(queue)

features = tf.parse_single_example(

serialized_example,

features={

'image_raw': tf.FixedLenFeature([], tf.string),

'label_raw': tf.FixedLenFeature([], tf.string),

})

image = tf.decode_raw(features['image_raw'], tf.uint8)

image = tf.cast(image, tf.float32)

image.set_shape((12*12*3))

label = tf.decode_raw(features['label_raw'], tf.float32)

label.set_shape((2))

# 預(yù)處理部分省略，大家可以自己根據(jù)需要添加

return tf.train.batch([image,label],batch_size=batch_size,num_threads=4,capacity=5*batch_size)

def main( ):

img_path=r'F:\python\MTCNN_by_myself\prepare_data\pnet*.tfrecords' #本地的幾個tf文件

img,label=read_image(img_path,batch_size=10)

image=img[0]

init=[tf.global_variables_initializer(),tf.local_variables_initializer()]

with tf.Session() as sess:

sess.run(init)

coord = tf.train.Coordinator()

threads = tf.train.start_queue_runners(sess=sess,coord=coord)

try:

while not coord.should_stop():

print(image.shape)

except tf.errors.OutOfRangeError:

print('read done')

finally:

coord.request_stop()

coord.join(threads)

if __name__=="__main__":

main()

在read_image函數(shù)中，先使用glob函數(shù)獲得了存放tfrecord文件的列表，然后根據(jù)TFRecord文件是如何存的就如何parse，再set_shape；這里有必要提醒下parse的方式。我們看到這里用的是tf.decode_raw ，因為做TFRecord是將圖像數(shù)據(jù)string化了，數(shù)據(jù)是串行的，丟失了空間結(jié)果。從features中取出image和label的數(shù)據(jù)，這時就要用 tf.decode_raw? 解碼，得到的結(jié)果當然也是串行的了，所以set_shape 成一個串行的，再reshape。這種方式是取決于你的編碼TFRecord方式的。

再舉一種例子：

reader=tf.TFRecordReader()

_,serialized_example=reader.read(file_name_queue)

features = tf.parse_single_example(serialized_example, features={

'data': tf.FixedLenFeature([256,256], tf.float32), ###

'label': tf.FixedLenFeature([], tf.int64),

'id': tf.FixedLenFeature([], tf.int64)

})

img = features['data']

label =features['label']

id = features['id']

這個時候就不需要任何解碼了。因為做TFRecord的方式就是直接把圖像數(shù)據(jù)append進去了。

參考鏈接：

到此這篇關(guān)于淺談TensorFlow中讀取圖像數(shù)據(jù)的三種方式的文章就介紹到這了,更多相關(guān)TensorFlow 讀取圖像數(shù)據(jù)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

總結(jié)

以上是生活随笔為你收集整理的python读取图像数据流_浅谈TensorFlow中读取图像数据的三种方式的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。