三、用numpy.pad()对图像进行填充及简单的图像处理
https://blog.csdn.net/wang454592297/article/details/80854996
一、用numpy.pad()对图像进行填
我们都知道在css的盒子模型中，有padding（内边距）这一属性。同css中的padding类似，在numpy中，numpy.pad()可以跟矩阵添加内边距，这一方法在CNN中的卷积层可以用到，可以影响到卷积后矩阵的维度，其用法如下：
numpy.pad(array, pad_width, mode, **kwargs)[source]
其中array是需要添加内边距的矩阵。pad_width对应矩阵每个维度填充的宽度，其格式是这样的：((before 1 ,after 1 ),…(before N ,after N )) ((before1,after1),…(beforeN,afterN)) ，(before N ,after N ) (beforeN,afterN) 表示第n维之前和时候填充的宽度。mode表示填充矩阵的值的模式，对应有：”constant“——表示用一个常量填充矩阵，“minimum”——用某个维度上的最小值填充矩阵，等其他模式。具体可参照官方APInumpy.pad。下面看一个用numpy.pad填充图像的例子，代码如下：
import pylab
import numpy as np
from scipy import ndimage
import matplotlib.pyplot as plt
dir = "./testImgs/"
filename = dir + "la_defense.jpg"
ori_image = np.array(ndimage.imread(filename, flatten=False))
dim1_pad = np.pad(ori_image, ((50, 50), (0, 0), (0, 0)), ‘constant‘, constant_values=0)
dim2_pad = np.pad(ori_image, ((0, 0), (50, 50), (0, 0)), ‘maximum‘)
dim3_pad = np.pad(ori_image, ((50, 50), (50, 50), (0, 0)), ‘constant‘, constant_values=200)
print("origin shape:" + str(ori_image.shape))
print("vertical pad:" + str(dim1_pad.shape))
print("horizontal pad:" + str(dim2_pad.shape))
print("all pad:" + str(dim3_pad.shape))
fig, axarr = plt.subplots(2, 2)
axarr[0, 0].imshow(ori_image)
axarr[0, 1].imshow(dim1_pad[:, :, 0])
axarr[1, 0].imshow(dim2_pad[:, :, 1])
axarr[1, 1].imshow(dim3_pad[:, :, 2])
pylab.show()
显示的结果如下：
以上代码中用到了scipy.ndimage.imread读取图片，可以结合我的另一篇博客二、使用scipy读图片并改变图片大小进行理解。读到的图片是一个（1181,1181,3）的3维矩阵，第三维表示RGB三个通道。我分别在R、B、G三个通道上进行了填充，第二张图是在R通道的第一维（上下）分别填充50的像素的宽度，第三张图是在G通道的第二维（左右）分别填充50的像素的宽度（模式为minimum），第四张图是在B通道的第一、二维分别分别填充50的像素的宽度。可以看出，这四张图都是不一样的(尽管第三、四张图差别不大)，填充后矩阵的维度如下：
二、简单的图像处理
在利用CNN进行图片分类的时候，有时候会缺少样本，我们可以通过用已有的样本来自己创建新的样本，如图像的旋转，裁剪，图像颜色的改变等。下面是通过改变图像的颜色来创建新的图片，代码如下：
import pylab
import numpy as np
from scipy import ndimage
import matplotlib.pyplot as plt
def new_pic_arr(dim0, dim1, dim2, dim0_plus, dim1_plus,dim2_plus):
pic = np.zeros((1181, 1181, 3), dtype=np.uint8)
pic[:, :, 0] = dim0 + dim0_plus
pic[:, :, 1] = dim1 + dim1_plus
pic[:, :, 2] = dim2 + dim2_plus
return pic
dir = "./testImgs/"
filename = dir + "la_defense.jpg"
ori_image = np.array(ndimage.imread(filename, flatten=False))
dim0 = ori_image[:, :, 0]
dim1 = ori_image[:, :, 1]
dim2 = ori_image[:, :, 2]
pic1 = new_pic_arr(dim0, dim1, dim2, 30, 0, 30)
pic2 = new_pic_arr(dim0, dim1, dim2, 40, 40, 0)
pic3 = new_pic_arr(dim0, dim1, dim2, 0, 40, 40)
fig, axarr = plt.subplots(2, 2)
axarr[0, 0].imshow(ori_image)
axarr[0, 1].imshow(pic1)
axarr[1, 0].imshow(pic2)
axarr[1, 1].imshow(pic3)
pylab.show()
最后的结果如下：
上述中的四副图中，图一是原始的图，图二是在原图的R、B通道上每个像素的值增加30后的结果，图三是在原图的R、G通道上每个像素的值增加40后的结果，图四是在原图的G、B通道上每个像素的值增加40后的结果。可以看出每张图的颜色都不同，我们可以利用这些新的样本来训练神经网路了。
原文地址：https://www.cnblogs.com/accumulationbystep/p/10419046.html