TensorFlow 图像调整混乱未知尺寸的图像

Question

我有一个可变尺寸的图像列表，希望将其标准化为256x256大小。我用了下面的代码

import tensorflow as tf
import matplotlib.pyplot as plt

file_contents = tf.read_file('image.jpg')
im = tf.image.decode_jpeg(file_contents)
im = tf.image.resize_images(im, 256, 256)

sess = tf.Session()
sess.run(tf.initialize_all_variables())

img = sess.run(im)

plt.imshow(img)
plt.show()

然而，tf.resize_images()往往会弄乱图像。然而，使用tf.reshape()似乎可以正确地使用resize_image()函数

Tensorflow版本：0.8.0

原始图像：

调整图像大小：

我知道skimage包可以处理我需要的，但是我希望享受tf.train.shuffle_batch()中的功能。我尽量避免维护2个相同的数据集（1个固定的图像大小），因为Caffe处理它们似乎没有问题。在

Answer 1

发生这种情况是因为image_resize（）在相邻像素之间执行插值，并返回介于0-255之间的浮点值而不是整数。这就是为什么NEAREST-NEIGHBOR会起作用：它只需要一个邻近像素的值，而不需要做进一步的数学运算。 假设有一些相邻的像素值为240241。最近的邻居将返回240或241。对于任何其他方法，该值可能类似于240.5，并且返回时没有舍入，我认为是有意的，这样您就可以决定什么更适合您（floor、roundup等）。 这个plt.imshow公司（）另一方面，当面对浮点值时，只解释小数部分，就好像它们是0.0到1.0之间的全刻度像素值一样。 为了使上述代码生效，可能的解决方案之一是：

import numpy as np
plt.imshow(img.astype(np.uint8))