将目录中的图像加载到 numpy 数组中

Question

我无法从文件夹中添加照片。在下载训练集时使用 tensorflow 文档，我们得到了 (60000, 28, 28) 形式的 ndarray.shape。从文件夹中拍照时，我不知道如何做到这一点。我还想提一下，这些照片的大小各不相同。我想为我的 ndarray 实现与时尚 mnist (x, y, z) 相同的形状。

def loadFiles(path):
  trainImages = []
  for r, d, f in os.walk(path):
    for file in f:
       img = cv2.imread(r + "\\" + file, cv2.IMREAD_GRAYSCALE)
       trainImages.append(img)

 trainImagesNumpy = np.ndarray(trainImages)
 return trainImagesNumpy

train = loadFiles(trainPath)

我使用 Tensorflow 2.1.0 和 python 3.x

提前感谢您的帮助。

Answer 1

既然你说你的图片有不同的尺寸，那么当你从目录中读取它们时调整它们的大小，然后将它们附加到trainImages。

我建议两个选项：

选项 1： 修改loadFiles如下

def loadFiles(path):
  trainImages = []
  for r, d, f in os.walk(path):
    for file in f:
       filepath = os.path.join(r, file)
       img = cv2.imread(filepath, cv2.IMREAD_GRAYSCALE)

       # Resizing image to size (28, 28)
       img = cv2.resize(img, (28, 28), interpolation=cv2.INTER_CUBIC)

       trainImages.append(img)

 trainImagesNumpy = np.ndarray(trainImages)
 return trainImagesNumpy

train = loadFiles(trainPath)

您可以使用其他插值策略来调整大小。查看 OpenCV Python 文档。

此外，使用os.path.join 是加入基本目录路径和文件路径的好习惯，因为它独立于操作系统。它会自动处理 Windows（反斜杠）或 Unix/Linux（正斜杠）中的文件路径分隔符。

参考：cv2.resize

选项 2：使用 ImageDataGenerator keras 中的类 使用它有两个好处：

• 批量加载数据。
• 您可以使用内置参数非常轻松地执行数据扩充。

将您的数据组织到训练、验证和测试目录中。每个目录都必须包含 n 个类中每一个的子目录。

目录树如下所示（假设您正在对猫与狗进行二元分类）：

. ├── 测试 │   ├── 猫 │   └── 狗 ├── 火车 │   ├── 猫 │   └── 狗 └── 验证 ├── 猫 └── 狗

然后初始化数据生成器，根据需要将图像从 0-255 重新缩放到 0-1 范围。

datagen = keras.preprocessing.image.ImageDataGenerator(rescale=1./255)

然后从flow_from_directory 方法中批量读取训练、验证和测试图像。

train = datagen.flow_from_directory('data/train', target_size=(28, 28), batch_size=32)
validation = datagen.flow_from_directory('data/validation', target_size=(28, 28), batch_size=32)
test = datagen.flow_from_directory('data/test', target_size=(28, 28), batch_size=32)

执行上述代码后，请确保它告诉您已找到正确数量的图像和正确的类数。

然后您可以将train、validation 和test 批次直接传递给您的keras 模型中的fit 方法。 确保在训练时指定 steps_per_epoch 和 validation_steps 的数量。这是因为生成器永远运行，不断生成图像，所以fit 需要知道何时停止。出于同样的原因，请确保您也将 steps 参数提供给 predict 方法。

参考： Keras docs