tensorflow下的图⽚标准化函数
per_image_standardization⽤法
实验环境：windows 7，anaconda 3(Python 3.5)，tensorflow（gpu/cpu）
函数介绍：标准化处理可以使得不同的特征具有相同的尺度（Scale）。
这样，在使⽤梯度下降法学习参数的时候，不同特征对参数的影响程度就⼀样了。
tf.image.per_image_standardization(image)，此函数的运算过程是将整幅图⽚标准化（不是归⼀化），加速神经⽹络的训练。
主要有如下操作，(x - mean) / adjusted_stddev，其中x为图⽚的RGB三通道像素值，mean分别为三通道像素的均
值，adjusted_stddev = max(stddev, 1.0/sqrt(image.NumElements()))。
stddev为三通道像素的标准差，image.NumElements()计算的是三通道各⾃的像素个数。
实验代码：
import tensorflow as tf
import matplotlib.image as img
import matplotlib.pyplot as plt
import numpy as np
ss = tf.InteractiveSession()
image = img.imread('D:/Documents/Pictures/logo7.jpg')
shape = tf.shape(image).eval()
描述春天h,w = shape[0],shape[1]
standardization_image = tf.image.per_image_standardization(image)#标准化
fig = plt.figure()
fig1 = plt.figure()
ax = fig.add_subplot(111)
ax.t_title('orginal image')
ax.imshow(image)
ax1 = fig1.add_subplot(311)
ax1.t_title('original hist')
ax1.hist(ss.shape(image,[h*w,-1])))
ax1 = fig1.add_subplot(313)
ax1.t_title('standardization hist')
ax1.hist(ss.shape(standardization_image,[h*w,-1])))
plt.ion()
plt.show()
实验结果：
两幅hist图分别是原图和标准化后的RGB的像素值分布图，可以看到只是将图⽚的像素值⼤⼩限定到⼀个范围，但是像素值的分布为改变。
补充知识：tensorflow运⾏单张图像与加载模型时注意的问题
关于模型的保存加载：
在做实验的情况下，⼀般使⽤save函数与restore函数就⾜够⽤，该刚发只加载模型的参数⽽不加载模型，这意味着当前的程序要能找到模型的结构
saver = tf.train.Saver()#声明saver⽤来保存模型
with tf.Session() as ss:
for i in range(train_step):
#.....训练操作
if i%100 == 0 && i!= 0:#每间隔训练100次存储⼀个模型，默认最多能存5个，如果超过5个先将序号⼩
的覆盖掉
saver.save(ss,str(i)+"_"+'model.ckpt',global_step=i)
拍身份证照片能化妆吗得到的⽂件如下：
在⼀个⽂件夹中，会有⼀个checkpoint⽂件，以及⼀系列不同训练阶段的模型⽂件，如下图
ckeckpoint⽂件可以放在编辑器⾥⾯打开看，⾥⾯记录的是每个阶段保存模型的信息，同时也是记录最近训练的检查点
保和颗粒的功效与作用>双子男和天蝎女
ckpt⽂件是模型参数，index⽂件⼀般⽤不到（我也查到是啥-_-|||）
在读取模型时，声明⼀个saver调⽤restore函数即可，我看很多博客⾥⾯写的都是添加最近检查点的模型，这样添加的模型都是最后⼀次训练的结果，想要加载固定的模型，直接把模型参数名称的字符串写到参数⾥就⾏了，如下段程序
saver = tf.train.Saver()
with tf.Session() as ss:
这样就把参数加载到Session当中，如果有数据，就可以直接塞进来进⾏计算了
运⾏单张图⽚：
运⾏单张图像的⽅法的流程⼤致如下，⾸先使⽤opencv或者Image或者使⽤numpy将图像读进来，保存成numpy的array的格式
接下来可以对图像使⽤opencv进⾏预处理。然后将处理后的array使⽤feed_dict的⽅式输⼊到tensorflow的placeholder中，这⾥注意两点，不要单独的使⽤下⾯的⽅法将tensor转换成numpy再进⾏处理，除⾮是想查看⼀下图像输出，否则在验证阶段，强烈不要求这样做，尽量使⽤feed_dict，原因后⾯说明
numpy_img = ss.run(tensor_img)#将tensor转换成numpy
这⾥注意⼀点，如果你的图像是1通道的图像，即灰度图，那么你得到的numpy是⼀个⼆维矩阵，将使⽤opencv读⼊的图像输出shape会得到如（424,512）这样的形状，分别表⽰⾏和列，但是在模型当中通常要要有batch和通道数，所以需要将图像使⽤python opencv库中的reshape函数转换成四维的矩阵，如
cv_img = shape(1,cv_img.shape[0],cv_img.shape[1],1)#cv_img是使⽤Opencv读进来的图⽚
⽤来输⼊到⽹络中的placeholder设置为如下，即可进⾏输⼊了
img_raw = tf.placeholder(dtype=tf.float32, shape=[1,512, 424, 1], name='input')
测试：
如果使⽤的是⾃⼰的数据集，通常是制作成tfrecords，在训练和测试的过程中，需要读取tfrecords⽂件，这⾥注意，千万不要把读取tfrecords⽂件的函数放到循环当中，⽽是把这个⽂件放到外⾯，否则你训练或者测试的数据都是同⼀批，Loss会固定在⼀个值！
美女穿比基尼照片这是因为tfrecords在读取的过程中是将图像信息加⼊到⼀个队列中进⾏读取，不要当成普通的函数调⽤，要按照tensorflow的思路，将它看成⼀个节点！
def read_data(tfrecords_file, batch_size, image_size):#读取tfrecords⽂件
让爱飞扬
filename_queue = tf.train.string_input_producer([tfrecords_file])
reader = tf.TFRecordReader()
_, rialized_example = ad(filename_queue)
img_features = tf.par_single_example(
rialized_example,
features={
'label': tf.FixedLenFeature([], tf.int64),
'image_raw': tf.FixedLenFeature([], tf.string),
})
image = tf.decode_raw(img_features['image_raw'], tf.float32)
min_after_dequeue = 1000
image = tf.reshape(image, [image_size, image_size,1])
image = size_images(image, (32,32),method=3)#缩放成32×32
image = tf.image.per_image_standardization(image)#图像标准化
label = tf.cast(img_features['label'], tf.int32)
capacity = min_after_dequeue + 3 * batch_size
image_batch, label_batch = tf.train.shuffle_batch([image, label],
min_after_dequeue = min_after_dequeue)
return image_batch, tf.one_hot(label_batch,6)#返回的标签经过one_hot编码
#将得到的图像数据与标签都是tensor哦，不能输出的！
read_image_batch,read_label_batch = read_data('train_data\\tfrecord\\TrainC6_95972.tfrecords',batch_size,120)
回到在运⾏单张图⽚的那个问题，直接对某个tensor进⾏ss.run()会得到图计算后的类型，也就是咱们python中常见的类型。
使⽤ss.run(feed_dict={…})得到的计算结果和直接使⽤ss.run有什么不同呢？
可以使⽤⼀个循环实验⼀下，在循环中不停的调⽤ss.run()相当于每次都向图中添加节点，⽽使⽤ss.run(feed_dict={})是向图中开始的位置添加数据！
结果会发现，直接使⽤ss.run()的运⾏会越来越慢，使⽤ss.run(feed_dict={})会运⾏的飞快！
为什么要提这个呢？
在上⾯的read_data中有这么三⾏函数
image = tf.reshape(image, [image_size, image_size,1])#与opencv的reshape结果⼀样
image = size_images(image, (32,32),method=3)#缩放成32×32，与opencv的resize结果⼀样，插值⽅法要选择三次⽴⽅插值
image = tf.image.per_image_standardization(image)#图像标准化
如果想要在将训练好的模型作为⽹络节点添加到系统中，得到的数据必须是经过与训练数据经过相同处理的图像，也就是必须要对原始图像经过上⾯的处理。如果使⽤其他的库容易造成结果对不上，最好使⽤与训练数据处理时相同的函数。
如果使⽤将上⾯的函数当成普通的函数使⽤，得到的是⼀个tensor，没有办法进⾏其他的图像预处理，需要先将tensor变成numpy类型，问题来了，想要变成numpy类型，就得调⽤ss.run()，如果模型作为接⼝死循环，那么就会⼀直使⽤
结膜炎
ss.run，效率会越来越慢，最后卡死！
原因在于你没有将tensorflow中的函数当成节点调⽤，⽽是将其当成普通的函数调⽤了！
解决办法就是按部就班的来，将得到的numpy数据先提前处理好，然后使⽤ss.run(feed_dict)输⼊到placeholder中，按照图的顺序⼀步⼀步运⾏即可！
如下⾯程序
with tf.name_scope('inputs'):
img_raw = tf.placeholder(dtype=tf.float32, shape=[1,120, 120, 1], name='input')#输⼊数据
keep_prob = tf.placeholder(tf.float32,name='keep_prob')
with tf.name_scope('preprocess'):#图中的预处理函数，当成节点顺序调⽤
img_120 = tf.reshape(img_raw, [120, 120,1])
img_norm = tf.cast(img_120, "float32") / 256
img_32 = size_images(img_norm, (32,32),method=3)
img_std = tf.image.per_image_standardization(img_32)
img = tf.reshape(img_std, [1,32, 32,1])
with tf.name_scope('output'):#图像塞到⽹络中
output = MyNet(img,keep_prob,n_cls)
ans = tf.softmax(output),1)#计算模型得到的结果
init = tf.global_variables_initializer()
saver = tf.train.Saver()
if __name__ == '__main__':
with tf.Session() as ss:
ss.run(init)新疆图书馆
index = 0
path = "buffer\\"
while True:
f = path + str(index)+'.jpg'#从0.jpg、1.jpg、⼀直读
if ists(f):
cv_img = cv.imread(f,0)
cv_img = OneImgPrepro(cv_img)
cv_img = shape(1,cv_img.shape[0],cv_img.shape[1],1)#需要reshape成placeholder可接收型
clas = ans.eval(feed_dict={img_raw:cv_img,keep_prob:1})#feed的速度快！
print(clas)#输出分类
index += 1
以上这篇tensorflow下的图⽚标准化函数per_image_standardization⽤法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。
