Image des modules complémentaires TensorFlow : Opérations

Voir sur TensorFlow.org Exécuter dans Google Colab Voir la source sur GitHub Télécharger le cahier

Aperçu

Ce bloc-notes montrera comment utiliser certaines opérations d'image dans les modules complémentaires TensorFlow.

Voici la liste des opérations d'image que vous couvrirez dans cet exemple :

Installer

pip install -q -U tensorflow-addons

import tensorflow as tf
import numpy as np
import tensorflow_addons as tfa
import matplotlib.pyplot as plt

Préparer et inspecter les images

Télécharger les images

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

Inspecter les images

Icône 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

Faire une version noir et blanc

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

Jouez avec tfa.image

Filtrage moyen

Le filtrage moyen est une technique de filtrage, qui est souvent utilisée pour supprimer le bruit d'une image ou d'un signal. L'idée est de parcourir l'image pixel par pixel et de la remplacer par les valeurs moyennes des pixels voisins.

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

png

Tourner

Cette opération fait pivoter l'image donnée selon l'angle (en radians) saisi par l'utilisateur.

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

png

Transformer

Cette opération transforme l'image donnée sur la base du vecteur de transformation donné par l'utilisateur.

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

png

HSV aléatoire dans YIQ

Cette opération modifie l'échelle de couleurs d'une image RVB donnée en YIQ, mais ici les valeurs de teinte delta et de saturation sont choisies au hasard dans la plage donnée.

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

Ajuster HSV dans YIQ

Cette opération modifie l'échelle de couleurs d'une image RVB donnée en YIQ, mais ici, au lieu de choisir au hasard, les valeurs de teinte delta et de saturation sont des entrées de l'utilisateur.

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

Déformation d'image dense

Cette opération est pour la déformation non linéaire de toute image spécifiée par le champ de flux du vecteur de décalage (ici on utilise des valeurs aléatoires par exemple).

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

Transformée de distance euclidienne

Cette opération met à jour la valeur du pixel avec la distance euclidienne du pixel du premier plan à celui de l'arrière-plan.

  • Remarque : il ne prend qu'une image binaire et donne une image transformée. Si une image différente est donnée, il en résulte une image avec une valeur unique
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