slim库中的预处理方法分析

research/slim/preprocessing/cifarnet_preprocessing.py 源码

对图片的预处理过程为：

训练数据集：

1. 对图片进行填充。（tf.pad）
2. 按指定大小随机裁剪图像。（tf.random_crop）
3. 随机水平翻转。（tf.image.random_flip_left_right）
4. 随机亮度。（tf.image.random_brightness）
5. 随机对比度。 （tf.image.random_contrast）
6. 图像标准化。 （tf.image.per_image_standardization）

验证数据集:

1. 图片裁剪或填充至指定大小。（tf.image.resize_image_with_crop_or_pad）
2. 图像标准化。 （tf.image.per_image_standardization）

research/slim/preprocessing/inception_preprocessing.py 源码

对图片的预处理过程为：

训练数据集:

1. 添加标注框（tf.image.draw_bounding_boxes）。
2. 随机裁剪原图像的一部分（ 使用 tf.image.sample_distorted_bounding_box 为图像生成单个随机变形的边界框，并用tf.slice 进行裁剪）。
3. 缩放图片到指定大小（tf.image.resize_images， 第3个参数method随机指定）。
4. 随机水平翻转（tf.image.random_flip_left_right）。
5. 随机扭曲颜色（tf.image.random_brightness 随机亮度， tf.image.random_saturation 随机饱和度， tf.image.random_hue 随机色相， tf.image.random_contrast 随机对比度， tf.clip_by_value 随机完之后重新把值限定到0和1之间）。
6. 图片减去0.5，即 tf.subtract(image, 0.5)。
7. 图片乘以2，即 tf.multiply(image, 2.0)。

验证数据集：

1. 裁剪图片，只要中间87.5%区域（tf.image.central_crop）。
2. 使用双线性插值法缩放图片到指定大小（tf.image.resize_bilinear）。
3. 图片减去0.5，即 tf.subtract(image, 0.5)。
4. 图片乘以2，即 tf.multiply(image, 2.0)。

research/slim/preprocessing/lenet_preprocessing.py 源码

对图片的预处理过程为：

1. 裁剪或填充到指定大小（tf.image.resize_image_with_crop_or_pad 宽高大于指定大小，则进行裁剪，否则用0进行填充）。
2. 图片减去128（tf.subtract(image, 128.0)）。
3. 图片除以128（tf.div(image, 128.0)）。

research/slim/preprocessing/vgg_preprocessing.py 源码

对图片的预处理过程为：

训练数据集:

1. 图片等比例缩放到随机尺寸。 （tf.random_uniform 生成随机值， tf.image.resize_bilinear 进行缩放）
2. 图片随机指定裁剪位置，然后裁剪到指定大小。 （tf.slice 裁剪， tf.reshape 重新指定大小）
3. 随机水平翻转。 （tf.image.random_flip_left_right）
4. 对图片的RGB值进行变更（RGB分别减一个固定值）。

验证数据集：

1. 图片等比例缩放到特定尺寸。 （tf.image.resize_bilinear）
2. 图片居中裁剪到指定大小。 （tf.slice 裁剪， tf.reshape 重新指定大小）
3. 对图片的RGB值进行变更。 （RGB分别减一个固定值）