Obraz dodatków TensorFlow: Operacje

Zadbaj o dobrą organizację dzięki kolekcji Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.

Zobacz na TensorFlow.org Uruchom w Google Colab Wyświetl źródło na GitHub Pobierz notatnik

Przegląd

Ten notatnik pokaże, jak korzystać z niektórych operacji na obrazach w TensorFlow Addons.

Oto lista operacji na obrazach, które omówisz w tym przykładzie:

Ustawiać

pip install -q -U tensorflow-addons
import tensorflow as tf
import numpy as np
import tensorflow_addons as tfa
import matplotlib.pyplot as plt

Przygotuj i sprawdź obrazy

Pobierz obrazy

img_path = tf.keras.utils.get_file('tensorflow.png','https://tensorflow.org/images/tf_logo.png')
Downloading data from https://tensorflow.org/images/tf_logo.png
40960/39781 [==============================] - 0s 3us/step

Sprawdź obrazy

Ikona TensorFlow

img_raw = tf.io.read_file(img_path)
img = tf.io.decode_image(img_raw)
img = tf.image.convert_image_dtype(img, tf.float32)
img = tf.image.resize(img, [500,500])

plt.title("TensorFlow Logo with shape {}".format(img.shape))
_ = plt.imshow(img)

png

Zrób wersję czarno-białą

bw_img = 1.0 - tf.image.rgb_to_grayscale(img)

plt.title("Mask image with shape {}".format(bw_img.shape))
_ = plt.imshow(bw_img[...,0], cmap='gray')

png

Graj z tfa.image

Średnie filtrowanie

Filtrowanie średnie to technika filtrowania, która jest często używana do usuwania szumu z obrazu lub sygnału. Pomysł polega na przejściu obrazu piksel po pikselu i zastąpieniu go średnimi wartościami sąsiednich pikseli.

mean = tfa.image.mean_filter2d(img, filter_shape=11)
_ = plt.imshow(mean)

png

Obracać się

Ta operacja obraca dany obraz o kąt (w radianach) wprowadzony przez użytkownika.

rotate = tfa.image.rotate(img, tf.constant(np.pi/8))
_ = plt.imshow(rotate)

png

Przekształcać

Ta operacja przekształca dany obraz na podstawie wektora transformacji podanego przez użytkownika.

transform = tfa.image.transform(img, [1.0, 1.0, -250, 0.0, 1.0, 0.0, 0.0, 0.0])
_ = plt.imshow(transform)

png

Losowe HSV w YIQ

Ta operacja zmienia skalę kolorów danego obrazu RGB na YIQ, ale tutaj wartości delta odcienia i nasycenia są wybierane losowo z podanego zakresu.

delta = 0.5
lower_saturation = 0.1
upper_saturation = 0.9
lower_value = 0.2
upper_value = 0.8
rand_hsvinyiq = tfa.image.random_hsv_in_yiq(img, delta, lower_saturation, upper_saturation, lower_value, upper_value)
_ = plt.imshow(rand_hsvinyiq)

png

Dostosuj HSV w YIQ

Ta operacja zmienia skalę kolorów danego obrazu RGB na YIQ, ale tutaj zamiast losowego wybierania, wartości delta odcienia i nasycenia są wprowadzane przez użytkownika.

delta = 0.5
saturation = 0.3
value = 0.6
adj_hsvinyiq = tfa.image.adjust_hsv_in_yiq(img, delta, saturation, value)
_ = plt.imshow(adj_hsvinyiq)

png

Gęste wypaczanie obrazu

Ta operacja służy do nieliniowego wypaczenia dowolnego obrazu określonego przez pole przepływu wektora przesunięcia (tutaj użyto na przykład wartości losowych).

input_img = tf.image.convert_image_dtype(tf.expand_dims(img, 0), tf.dtypes.float32)

flow_shape = [1, input_img.shape[1], input_img.shape[2], 2]
init_flows = np.float32(np.random.normal(size=flow_shape) * 2.0)
dense_img_warp = tfa.image.dense_image_warp(input_img, init_flows)
dense_img_warp = tf.squeeze(dense_img_warp, 0)
_ = plt.imshow(dense_img_warp)

png

Euklidesowa transformacja odległości

Ta operacja aktualizuje wartość piksela o odległość euklidesową od piksela pierwszego planu do piksela tła.

  • Uwaga : Pobiera tylko obraz binarny i powoduje przekształcenie obrazu. Jeśli podany zostanie inny obraz, otrzyma obraz z jedną wartością
gray = tf.image.convert_image_dtype(bw_img,tf.uint8)
# The op expects a batch of images, so add a batch dimension
gray = tf.expand_dims(gray, 0)
eucid = tfa.image.euclidean_dist_transform(gray)
eucid = tf.squeeze(eucid, (0, -1))
_ = plt.imshow(eucid, cmap='gray')

png