tensorflow对图像进行多个块的行列拼接tf.concat(), tf.stack()
在深度学习过程中，通过卷积得到的图像块大小是8×8×1024的图像块，对得到的图像块进行reshape得到[8×8]×[32×32]，其中[8×8]是图像块的个数，[32×32]是小图像的大小。通过tf.concat对小块的图像进行拼接。
-在做图像卷积的过程中，做了这样一个比较麻烦的拼接，现在还没想到更好的拼接方法，因为是块拼接，开始的时候使用了reshape，但是得到的结果不对，需要确定清楚数据的维度，对于数据的维度很是问题。
import tensorflow as tf def tensor_concat(f, axis): x1 = f[0, :, :] for i in range(1, 8): x1 = tf.concat([x1, f[i, :, :]], axis=axis) return x1 def block_to_image(f): x1 = tf.reshape(f, [64, 1024]) x1 = tf.reshape(x1, [64, 32, 32]) m2 = tensor_concat(x1[0:8, :, :], axis=1) for i in range(1, 8): m1 = tensor_concat(x1[i*8:(i+1)*8, :, :], axis=1) m2 = tf.concat([m2, m1], axis=0) x2 = tf.reshape(m2, [256, 256, 1]) return x2 x = tf.random_normal([ 8, 8, 1024]) with tf.Session() as sess: m = sess.run(x) m1 = sess.run(block_to_image(m))
最后通过行拼接和列拼接得到图像大小为256×256×1大小的图像。
对[batch_size, height, weight, channel] 的图像进行1一样的图像块拼接：
在深度神经网络中，会有batch_size个图像大小[256×256×1]的图像进行块的拼接，对于多了一个维度的图像拼接起来，由[batch_size, 8, 8, 1024]拼接为[batch_size,256, 256, 1]。在做着部分时batch_size这部分实在是不知道怎么处理，所以还是用了本办法，使用的函数是append和tf.stack()
def tensor_concat(f, axis): x1 = f[0, :, :] for i in range(1, 8): x1 = tf.concat([x1, f[i, :, :]], axis=axis) return x1 def block_to_image(f): x3 =[] for k in range(f.shape[0]): x = f[k, :, :, :] x1 = tf.reshape(x, [64, 1024]) x1 = tf.reshape(x1, [64, 32, 32]) m2 = tensor_concat(x1[0:8, :, :], axis=1) for i in range(1, 8): m1 = tensor_concat(x1[i*8:(i+1)*8, :, :], axis=1) m2 = tf.concat([m2, m1], axis=0) x2 = tf.reshape(m2, [256, 256, 1]) x3.append(x2) x4 = tf.stack(x3) return x4 x = tf.random_normal([10, 8, 8, 1024]) with tf.Session() as sess: m = sess.run(x) m1 = sess.run(block_to_image1(m))
在学习过程中对tensor不能直接赋值，比如不能写：
x2 = tf.reshape(m2, [256, 256, 1]) x3[k, :, :, 1] = x2
这样的代码，会出现错误：'Tensor' object does not support item assignment
对于带有类似索引的赋值，参考的办法是：
x3 = [] x3.append(x2)
这时候得到的是list的格式，所以接下来将list转化为array,使用的是tf.stack(x3)
以上这篇tensorflow对图像进行拼接的例子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。