tensorflow对图像进行拼接的例子

tensorflow对图像进行多个块的行列拼接tf.concat(), tf.stack()

在深度学习过程中，通过卷积得到的图像块大小是8×8×1024的图像块，对得到的图像块进行reshape得到[8×8]×[32×32]，其中[8×8]是图像块的个数，[32×32]是小图像的大小。通过tf.concat对小块的图像进行拼接。

-在做图像卷积的过程中，做了这样一个比较麻烦的拼接，现在还没想到更好的拼接方法，因为是块拼接，开始的时候使用了reshape，但是得到的结果不对，需要确定清楚数据的维度，对于数据的维度很是问题。

import tensorflow as tf
def tensor_concat(f, axis):
 x1 = f[0, :, :]
 for i in range(1, 8):
  x1 = tf.concat([x1, f[i, :, :]], axis=axis)
 return x1

def block_to_image(f):
 x1 = tf.reshape(f, [64, 1024])
 x1 = tf.reshape(x1, [64, 32, 32])
 m2 = tensor_concat(x1[0:8, :, :], axis=1)
 for i in range(1, 8):
  m1 = tensor_concat(x1[i*8:(i+1)*8, :, :], axis=1)
  m2 = tf.concat([m2, m1], axis=0)
 x2 = tf.reshape(m2, [256, 256, 1])
 return x2

x = tf.random_normal([ 8, 8, 1024])
with tf.Session() as sess:
 m = sess.run(x)
 m1 = sess.run(block_to_image(m))

最后通过行拼接和列拼接得到图像大小为256×256×1大小的图像。

对[batch_size, height, weight, channel] 的图像进行1一样的图像块拼接：

在深度神经网络中，会有batch_size个图像大小[256×256×1]的图像进行块的拼接，对于多了一个维度的图像拼接起来，由[batch_size, 8, 8, 1024]拼接为[batch_size,256, 256, 1]。在做着部分时batch_size这部分实在是不知道怎么处理，所以还是用了本办法，使用的函数是append和tf.stack()

def tensor_concat(f, axis):
 x1 = f[0, :, :]
 for i in range(1, 8):
  x1 = tf.concat([x1, f[i, :, :]], axis=axis)
 return x1

def block_to_image(f):
 x3 =[]
 for k in range(f.shape[0]):
  x = f[k, :, :, :]
  x1 = tf.reshape(x, [64, 1024])
  x1 = tf.reshape(x1, [64, 32, 32])
  m2 = tensor_concat(x1[0:8, :, :], axis=1)
  for i in range(1, 8):
   m1 = tensor_concat(x1[i*8:(i+1)*8, :, :], axis=1)
   m2 = tf.concat([m2, m1], axis=0)
  x2 = tf.reshape(m2, [256, 256, 1])
  x3.append(x2)
  x4 = tf.stack(x3)
 return x4
x = tf.random_normal([10, 8, 8, 1024])
with tf.Session() as sess:
 m = sess.run(x)
 m1 = sess.run(block_to_image1(m))

在学习过程中对tensor不能直接赋值，比如不能写：

x2 = tf.reshape(m2, [256, 256, 1]) 

x3[k, :, :, 1] = x2

这样的代码，会出现错误：'Tensor' object does not support item assignment

对于带有类似索引的赋值，参考的办法是：

x3 = [] 

x3.append(x2)

这时候得到的是list的格式，所以接下来将list转化为array,使用的是tf.stack(x3)

以上这篇tensorflow对图像进行拼接的例子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我们。

赞 (0)

相关推荐

  • 详解tensorflow训练自己的数据集实现CNN图像分类

    详解tensorflow训练自己的数据集实现CNN图像分类

    利用卷积神经网络训练图像数据分为以下几个步骤 1.读取图片文件 2.产生用于训练的批次 3.定义训练的模型(包括初始化参数,卷积.池化层等参数.网络) 4.训练 1 读取图片文件 def get_files(filename): class_train = [] label_train = [] for train_class in os.listdir(filename): for pic in os.listdir(filename+train_class): class_train.app

  • tensorflow mnist 数据加载实现并画图效果

    关于 TensorFlow TensorFlow™ 是一个采用数据流图(data flow graphs),用于数值计算的开源软件库.节点(Nodes)在图中表示数学操作,图中的线(edges)则表示在节点间相互联系的多维数据数组,即张量(tensor).它灵活的架构让你可以在多种平台上展开计算,例如台式计算机中的一个或多个CPU(或GPU),服务器,移动设备等等.TensorFlow 最初由Google大脑小组(隶属于Google机器智能研究机构)的研究员和工程师们开发出来,用于机器学习和深度

  • 使用TensorFlow对图像进行随机旋转的实现示例

    在使用深度学习对图像进行训练时,对图像进行随机旋转有助于提升模型泛化能力.然而之前在做旋转等预处理工作时,都是先对图像进行旋转后保存到本地,然后再输入模型进行训练,这样的过程会增加工作量,如果图片数量较多,生成旋转的图像会占用更多的空间.直接在训练过程中便对图像进行随机旋转,可有效提升工作效率节省硬盘空间. 使用TensorFlow对图像进行随机旋转如下: TensorFlow版本为1.13.1 #-*- coding:utf-8 -*- ''' 使用TensorFlow进行图像的随机旋转示例

  • TensorFlow 模型载入方法汇总(小结)

    TensorFlow 模型载入方法汇总(小结)

    一.TensorFlow常规模型加载方法 保存模型 tf.train.Saver()类,.save(sess, ckpt文件目录)方法 参数名称 功能说明 默认值 var_list Saver中存储变量集合 全局变量集合 reshape 加载时是否恢复变量形状 True sharded 是否将变量轮循放在所有设备上 True max_to_keep 保留最近检查点个数 5 restore_sequentially 是否按顺序恢复变量,模型较大时顺序恢复内存消耗小 True var_list是字典

  • tensorflow对图像进行拼接的例子

    tensorflow对图像进行多个块的行列拼接tf.concat(), tf.stack() 在深度学习过程中,通过卷积得到的图像块大小是8×8×1024的图像块,对得到的图像块进行reshape得到[8×8]×[32×32],其中[8×8]是图像块的个数,[32×32]是小图像的大小.通过tf.concat对小块的图像进行拼接. -在做图像卷积的过程中,做了这样一个比较麻烦的拼接,现在还没想到更好的拼接方法,因为是块拼接,开始的时候使用了reshape,但是得到的结果不对,需要确定清楚数据的维

  • tensorflow实现图像的裁剪和填充方法

    tensorflow里面提供了实现图像进行裁剪和填充的函数,就是tf.image.resize_image_with_crop_or_pad(img,height,width ).img表示需要改变的图像,height是改变后图像的高度,width是宽度. 例如: import matplotlib.pyplot as plt; import tensorflow as tf; image_raw_data_jpg = tf.gfile.FastGFile('11.jpg', 'r').read

  • opencv2实现10张图像上下左右拼接融合

    本文实例为大家分享了opencv2实现多张图像上下左右拼接融合的具体代码,供大家参考,具体内容如下 在前面的"opencv2两张图像拼接融合_基于SURF特征提取"博文中,实现了两张左右图像的拼接融合,后来我也实现了多张图像的拼接融合.但是opencv2自带一种函数,直接就实现了图像的上下左右拼接.具体程序如下: #include <iostream> #include<vector> #include <fstream> #include &quo

  • 浅谈TensorFlow中读取图像数据的三种方式

    本文面对三种常常遇到的情况,总结三种读取数据的方式,分别用于处理单张图片.大量图片,和TFRecorder读取方式.并且还补充了功能相近的tf函数. 1.处理单张图片 我们训练完模型之后,常常要用图片测试,有的时候,我们并不需要对很多图像做测试,可能就是几张甚至一张.这种情况下没有必要用队列机制. import tensorflow as tf import matplotlib.pyplot as plt def read_image(file_name): img = tf.read_fil

  • OpenCV实现拼接图像的简单方法

    OpenCV实现拼接图像的简单方法

    本文实例为大家分享了OpenCV实现拼接图像的具体方法,供大家参考,具体内容如下 用iphone拍摄的两幅图像: 拼接后的图像: 相关代码如下: //读取图像 Mat leftImg=imread("left.jpg"); Mat rightImg=imread("right.jpg"); if(leftImg.data==NULL||rightImg.data==NULL) return; //转化成灰度图 Mat leftGray; Mat rightGray;

  • python实现拼接图片

    最近在写一篇卷积神经网络的论文,有好多实验结果需要整理,本来是用美图秀秀进行图像的拼接,但是发现重复操作太多,而且拼接效果不好,想到用python写个脚本实现,看一个简单的例子: 横向拼接 首先我需要将同一张图片的变形拼接为一行,代码如下: import os from PIL import Image UNIT_SIZE = 229 # 单个图像的大小为229*229 TARGET_WIDTH = 6 * UNIT_SIZE # 拼接完后的横向长度为6*229 path = "C:/Users

  • python实现图像全景拼接

    图像的全景拼接包括三大部分:特征点提取与匹配.图像配准.图像融合. 1.基于SIFT的特征点的提取与匹配 利用Sift提取图像的局部特征,在尺度空间寻找极值点,并提取出其位置.尺度.方向信息. 具体步骤: 1). 生成高斯差分金字塔(DOG金字塔),尺度空间构建 2). 空间极值点检测(关键点的初步查探) 3). 稳定关键点的精确定位 4). 稳定关键点方向信息分配 5). 关键点描述 6). 特征点匹配 2.图像配准 图像配准是一种确定待拼接图像间的重叠区域以及重叠位置的技术,它是整个图像拼接

  • python使用TensorFlow进行图像处理的方法

    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

  • 使用Python OpenCV为CNN增加图像样本的实现

    使用Python OpenCV为CNN增加图像样本的实现

    我们在做深度学习的过程中,经常面临图片样本不足.不平衡的情况,在本文中,作者结合实际工作经验,通过图像的移动.缩放.旋转.增加噪声等图像变换技术,能快速.简便的增加样本数量. 本文所有案例,使用OpenCV跨平台计算机视觉库,在Python3.6上实现,关于Python及OpenCV安装使用,请参照本人早先资料,详见参考内容. 1. 图片拼接及平移 1.1. 图像移动 图像平移是将图像的所有像素坐标进行水平或垂直方向移动,也就是所有像素按照给定的偏移量在水平方向上沿x轴.垂直方向上沿y轴移动.

随机推荐