深度学习算法demo，包含使用循环神经网络(RNN)实现加法等示例.zip

#coding:utf-8 """ photomosaic.py 从给定的目标图像和存放小块图像的文件夹创建照片马赛克 作者: Mahesh Venkitachalam """ import sys, os, random, argparse from PIL import Image import imghdr import numpy as np def getAverageRGBOld(image): """ 此函数是已经废弃的版本，仅作参考学习，新的方法是 getAverageRGB， 计算并返回给定 Image 对象 (r,g,b) 形式的颜色平均值, 此函数已废弃 """ # no. of pixels in image npixels = image.size[0]*image.size[1] # get colors as [(cnt1, (r1, g1, b1)), ...] cols = image.getcolors(npixels) # get [(c1*r1, c1*g1, c1*g2),...] sumRGB = [(x[0]*x[1][0], x[0]*x[1][1], x[0]*x[1][2]) for x in cols] # calculate (sum(ci*ri)/np, sum(ci*gi)/np, sum(ci*bi)/np) # the zip gives us [(c1*r1, c2*r2, ..), (c1*g1, c1*g2,...)...] avg = tuple([int(sum(x)/npixels) for x in zip(*sumRGB)]) return avg def getAverageRGB(image): """ 计算并返回给定 Image 对象 (r,g,b) 形式的颜色平均值 """ # 将图像转换成 numpy 中的数组 im = np.array(image) # 获取数组的长, 宽, 高 w,h,d = im.shape # 计算均值 return tuple(np.average(im.reshape(w*h, d), axis=0)) def splitImage(image, size): """ 根据给定图像的维度来分割图像，返回一个大小为 m*n 的图像列表 """ W, H = image.size[0], image.size[1] m, n = size w, h = int(W/n), int(H/m) # 图像列表 imgs = [] # 生成列表 for j in range(m): for i in range(n): # 向 imgs 中追加裁减后的小块图像 imgs.append(image.crop((i*w, j*h, (i+1)*w, (j+1)*h))) return imgs def getImages(imageDir): """ 给定一个目录，加载该目录下的图像，并以列表的形式返回 """ files = os.listdir(imageDir) images = [] for file in files: filePath = os.path.abspath(os.path.join(imageDir, file)) try: # 显式加载以避免资源危机 fp = open(filePath, "rb") im = Image.open(fp) images.append(im) # 强制从文件中加载图像数据 im.load() # 关闭文件 fp.close() except: # skip print("Invalid image: %s" % (filePath,)) return images def getImageFilenames(imageDir): """ 返回指定目录所有的图像文件名 """ files = os.listdir(imageDir) filenames = [] for file in files: filePath = os.path.abspath(os.path.join(imageDir, file)) try: imgType = imghdr.what(filePath) if imgType: filenames.append(filePath) except: # 跳过 print("Invalid image: %s" % (filePath,)) return filenames def getBestMatchIndex(input_avg, avgs): """ 返回按照 RGB 值的距离挑选出的最佳匹配。 """ # 图像的均值 avg = input_avg # 根据 x/y/z 的距离从 avgs 中挑选出距 input_avg 最近的值 index = 0 min_index = 0 min_dist = float("inf") for val in avgs: dist = ((val[0] - avg[0])*(val[0] - avg[0]) + (val[1] - avg[1])*(val[1] - avg[1]) + (val[2] - avg[2])*(val[2] - avg[2])) if dist < min_dist: min_dist = dist min_index = index index += 1 return min_index def createImageGrid(images, dims): """ Given a list of images and a grid size (m, n), create a grid of images. """ m, n = dims # 检查参数 assert m*n == len(images) # 统计小块图像宽度和高度的最大值 # 没有假设所有小块图像的大小都是统一的 width = max([img.size[0] for img in images]) height = max([img.size[1] for img in images]) # 创建输出图像 grid_img = Image.new('RGB', (n*width, m*height)) # 粘贴图像 for index in range(len(images)): row = int(index/n) col = index - n*row grid_img.paste(images[index], (col*width, row*height)) return grid_img def createPhotomosaic(target_image, input_images, grid_size, reuse_images=True): """ 从给定的目标图像和小块图像创建照片马赛克 """ print('splitting input image...') # 将目标图像分割分割成子图像 target_images = splitImage(target_image, grid_size) print('finding image matches...') # 对于每一个目标图像，从输入选择一个 output_images = [] # 用于向用户反馈 count = 0 batch_size = int(len(target_images)/10) # 计算输入的小块图像的平均值 avgs = [] for img in input_images: avgs.append(getAverageRGB(img)) for img in target_images: # 计算子图像的均值 avg = getAverageRGB(img) # 寻找最匹配的索引 match_index = getBestMatchIndex(avg, avgs) output_images.append(input_images[match_index]) # 向用户反馈进度 if count > 0 and batch_size > 10 and count % batch_size is 0: print('processed %d of %d...' %(count, len(target_images))) count += 1 # 如果不允许重用图像, 就移除被选中的图像 if not reuse_images: input_images.remove(match_index) print('creating mosaic...') # 将照片马赛克保存在图像中 mosaic_image = createImageGrid(output_images, grid_size) # 返回照片马赛克 return mosaic_image # 在 main() 函数中调用我们的代码, 实现照片马赛克 def main(): # 命令行参数保存在 sys.argv[1], sys.argv[2] .. 中 # sys.argv[0] 是可被忽略的脚本名字 # 解析命令行参数 parser = argparse.ArgumentParser(description='Creates a photomosaic from input images') # 添加命令行参数 parser.add_argument('--target-image', dest='target_image', required=True) parser.add_argument('--input-folder', dest='input_folder', required=True) parser.add_argument('--grid-size', nargs=2, dest='grid_size', required=True) parser.add_argument('--output-file', dest='outfile', required=False) args = parser.parse_args() ###### INPUTS ###### # 载入目标图像 target_image = Image.open(args.target_image) # 从目录下读入小块图像 print('reading input folder...') input_images = getImages(args.input_folder) # 判断小块图像列表是否为空 if input_images == []: print('No input images found in %s. Exiting.' % (args.input_folder, )) exit() # 是否使用随机列表 - 来增加输出的多样性? random.shuffle(input_images) # 网格的大小 grid_size = (int(args.grid_size[0]), int(args.grid_size[1])) # 输出文件名 output_filename = 'mosaic.png' if args.outfile: output_filename = args.outfile # 是否允许重用输入的图片 reuse_images = True # 是否调整输入图片的大小来适应网格 resize_input = True ##### 结束输入 ##### print('starting photomosaic creation...') # 如果不能重复利用图片, 验证 m*n <= num_of_images 是否成立 if not reuse_images: if grid_size[0]*grid_size[1] > len(input_images): print('grid size less than number of images') exit() # 重新调整输入图片的大小 if resize_input: print('resizing images...') # 根据给定的网格大小，统计宽度和高度的最大值 dims = (int(target_image.size[0]/grid_size[1]), int(target_image.size[1]/grid_size[0])) print("max tile dims: %s" % (dims,)) # 调整图片大小 for img in input_images: img.thumbnail(dims) # 创建照片马赛克 mosaic_image = createPhotomosaic(target_image, input_images, grid_size, reuse_images) # 保存 mosaic 到文件 mosaic_image.save(output_filename, 'PNG') print("saved output to %s" % (output_filename,)) print('done.') # 调用 main() 函数执行程序的标准样板 if __name__ == '__main__': main()