python中多進程讀圖提取特征存npy的示例分析

這篇文章將為大家詳細講解有關python中多進程讀圖提取特征存npy的示例分析，小編覺得挺實用的，因此分享給大家做個參考，希望大家閱讀完這篇文章后可以有所收獲。

具體內容如下

import multiprocessing
import os, time, random
import numpy as np
import cv2
import os
import sys
from time import ctime
import tensorflow as tf
 
image_dir = r"D:/sxl/處理圖片/漢字分類/train10/"  #圖像文件夾路徑
data_type = 'test'
save_path = r'E:/sxl_Programs/Python/CNN/npy/'  #存儲路徑
data_name = 'Img10'        #npy文件名
 
char_set = np.array(os.listdir(image_dir))   #文件夾名稱列表
np.save(save_path+'ImgShuZi10.npy',char_set)   #文件夾名稱列表
char_set_n = len(char_set)       #文件夾列表長度
 
read_process_n = 1 #進程數
repate_n = 4   #隨機移動次數
data_size = 1000000 #1個npy大小
 
shuffled = True  #是否打亂
 
#可以讀取帶中文路徑的圖
def cv_imread(file_path,type=0):
 cv_img=cv2.imdecode(np.fromfile(file_path,dtype=np.uint8),-1)
 # print(file_path)
 # print(cv_img.shape)
 # print(len(cv_img.shape))
 if(type==0):
  if(len(cv_img.shape)==3):
   cv_img = cv2.cvtColor(cv_img, cv2.COLOR_BGR2GRAY)
 return cv_img
 
#多個數組按同一規則打亂數據
def ShuffledData(features,labels):
 '''
 @description:隨機打亂數據與標簽，但保持數據與標簽一一對應
 '''
 permutation = np.random.permutation(features.shape[0])
 shuffled_features = features[permutation,:] #多維
 shuffled_labels = labels[permutation]  #1維
 return shuffled_features,shuffled_labels
 
#函數功能：簡單網格
#函數要求：1.無關圖像大小；2.輸入圖像默認為灰度圖;3.參數只有輸入圖像
#返回數據：1x64*64維特征
def GetFeature(image):
 
 #圖像大小歸一化
 image = cv2.resize(image,(64,64))
 img_h = image.shape[0]
 img_w = image.shape[1]
 
 #定義特征向量
 feature = np.zeros(img_h*img_w,dtype=np.int16)
 
 for h in range(img_h):
  for w in range(img_w):
   feature[h*img_h+w] = image[h,w]
 
 return feature
 
# 寫數據進程執行的代碼:
def read_image_to_queue(queue):
 print('Process to write: %s' % os.getpid())
 for j,dirname in enumerate(char_set): # dirname 是文件夾名稱
  label = np.where(char_set==dirname)[0][0]  #文件夾名稱對應的下標序號
  print('序號：'+str(j),'讀 '+dirname+' 文件夾...時間：',ctime() )
  for parent,_,filenames in os.walk(os.path.join(image_dir,dirname)):
   for filename in filenames:
    if(filename[-4:]!='.jpg'):
     continue
    image = cv_imread(os.path.join(parent,filename),0)
 
    # cv2.imshow(dirname,image)
    # cv2.waitKey(0)
    queue.put((image,label))
 
 for i in range(read_process_n):
  queue.put((None,-1))
 
 print('讀圖結束!')
 return True
  
# 讀數據進程執行的代碼:
def extract_feature(queue,lock,count):
 '''
 @description:從隊列中取出圖片進行特征提取
 @queue:先進先出隊列
  lock：鎖，在計數時上鎖，防止沖突
  count:計數
 '''
 
 print('Process %s start reading...' % os.getpid())
 
 global data_n
 features = [] #存放提取到的特征
 labels = [] #存放標簽
 flag = True #標志著進程是否結束
 while flag:
  image,label = queue.get() #從隊列中獲取圖像和標簽
 
  if len(features) >= data_size or label == -1: #特征數組的長度大于指定長度，則開始存儲
 
   array_features = np.array(features) #轉換成數組
   array_labels = np.array(labels)
 
   array_features,array_labels = ShuffledData(array_features,array_labels) #打亂數據
   
   lock.acquire() # 鎖開始
 
   # 拆分數據為訓練集，測試集
   split_x = int(array_features.shape[0] * 0.8)
   train_data, test_data = np.split(array_features, [split_x], axis=0)  # 拆分特征數據集
   train_labels, test_labels = np.split(array_labels, [split_x], axis=0) # 拆分標簽數據集
 
   count.value += 1 #下標計數加1
   str_features_name_train = data_name+'_features_train_'+str(count.value)+'.npy'
   str_labels_name_train = data_name+'_labels_train_'+str(count.value)+'.npy'
   str_features_name_test = data_name+'_features_test_'+str(count.value)+'.npy'
   str_labels_name_test = data_name+'_labels_test_'+str(count.value)+'.npy'
 
   lock.release() # 鎖釋放
 
   np.save(save_path+str_features_name_train,train_data)
   np.save(save_path+str_labels_name_train,train_labels)
   np.save(save_path+str_features_name_test,test_data)
   np.save(save_path+str_labels_name_test,test_labels)
   print(os.getpid(),'save:',str_features_name_train)
   print(os.getpid(),'save:',str_labels_name_train)
   print(os.getpid(),'save:',str_features_name_test)
   print(os.getpid(),'save:',str_labels_name_test)
   features.clear()
   labels.clear()
 
  if label == -1:
   break
 
  # 獲取特征向量，傳入灰度圖
  feature = GetFeature(image)
  features.append(feature)
  labels.append(label)
 
  # # 隨機移動4次
  # for itime in range(repate_n):
  #  rMovedImage = randomMoveImage(image)
  #  feature = SimpleGridFeature(rMovedImage) # 簡單網格
  #  features.append(feature)
  #  labels.append(label)
 
 print('Process %s is done!' % os.getpid())
 
if __name__=='__main__':
 time_start = time.time() # 開始計時
 
 # 父進程創建Queue，并傳給各個子進程：
 image_queue = multiprocessing.Queue(maxsize=1000) #隊列
 lock = multiprocessing.Lock()      #鎖
 count = multiprocessing.Value('i',0)    #計數
 
 #將圖寫入隊列進程
 write_sub_process = multiprocessing.Process(target=read_image_to_queue, args=(image_queue,))
 
 read_sub_processes = []       #讀圖子線程
 for i in range(read_process_n):
  read_sub_processes.append(
   multiprocessing.Process(target=extract_feature, args=(image_queue,lock,count))
  )
 
 # 啟動子進程pw，寫入:
 write_sub_process.start()
 
 # 啟動子進程pr，讀取:
 for p in read_sub_processes:
  p.start()
 
 # 等待進程結束:
 write_sub_process.join()
 for p in read_sub_processes:
  p.join()
 
 time_end=time.time()
 time_h=(time_end-time_start)/3600
 print('用時：%.6f 小時'% time_h)
 print ("讀圖提取特征存npy,運行結束！")

關于“python中多進程讀圖提取特征存npy的示例分析”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，使各位可以學到更多知識，如果覺得文章不錯，請把它分享出去讓更多的人看到。