Как повернуть изображения под разными углами случайным образом в тензорном потоке

Question

Я знаю, что могу вращать изображения в тензорном потоке, используя tf.contrib.image.rotate.Но предположим, что я хочу применить вращение случайным образом под углом от -0,3 до 0,3 в радианах следующим образом:

images = tf.contrib.image.rotate(images, tf.random_uniform(shape=[batch_size], minval=-0.3, maxval=0.3, seed=mseed), interpolation='BILINEAR')

Пока это будет работать нормально.Но проблема возникает, когда размер пакета изменяется на последней итерации, и я получил ошибку.Итак, как исправить этот код и заставить его работать во всех случаях?Обратите внимание, что входные изображения подаются с использованием tf.data.Dataset api.

Любая помощь очень ценится !!

Answer 1

Нельзя кормить tf.contrib.image.rotate тензором углов.

Но если вы проверите исходный код , вы увидите, что он просто делает несколько проверок аргументов, а затем:

image_height = math_ops.cast(array_ops.shape(images)[1],
                             dtypes.float32)[None]
image_width = math_ops.cast(array_ops.shape(images)[2],
                            dtypes.float32)[None]
output = transform(
    images,
    angles_to_projective_transforms(angles, image_height, image_width),
                                    interpolation=interpolation)

tf.contrib.image.transform() получает матрицу проективного преобразования. tf.contrib.image.angles_to_projective_transforms() генерирует проективные преобразования из углов поворота.

Оба принимают тензоры в качестве аргументов, поэтому вы можете просто вызывать базовые функции.

---

Вот пример использования MNIST

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

# load mnist
from tensorflow.examples.tutorials.mnist
import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot = True)

# Tensorflow random angle rotation
input_size = mnist.train.images.shape[1]
side_size = int(np.sqrt(input_size))

dataset = tf.placeholder(tf.float32, [None, input_size])
images = tf.reshape(dataset, (-1, side_size, side_size, 1))
random_angles = tf.random.uniform(shape = (tf.shape(images)[0], ), minval = -np
    .pi / 4, maxval = np.pi / 4)

rotated_images = tf.contrib.image.transform(
    images,
    tf.contrib.image.angles_to_projective_transforms(
        random_angles, tf.cast(tf.shape(images)[1], tf.float32), tf.cast(tf
            .shape(images)[2], tf.float32)
    ))

# Run and Print
sess = tf.Session()
result = sess.run(rotated_images, feed_dict = {
    dataset: mnist.train.images,
})

original = np.reshape(mnist.train.images * 255, (-1, side_size, side_size)).astype(
    np.uint8)
rotated = np.reshape(result * 255, (-1, side_size, side_size)).astype(np.uint8)


# Print 10 random samples
fig, axes = plt.subplots(2, 10, figsize = (15, 4.5))
choice = np.random.choice(range(len(mnist.test.labels)), 10)
for k in range(10):
    axes[0][k].set_axis_off()
axes[0][k].imshow(original[choice[k, ]], interpolation = 'nearest', \
    cmap = 'gray')
axes[1][k].set_axis_off()
axes[1][k].imshow(rotated[choice[k, ]], interpolation = 'nearest', \
    cmap = 'gray')