from __future__ import division
import matplotlib.pyplot as plt
import numpy as np
import tensorflow as tf imgs = [[[[255, 0, 0], [0, 255, 0], [0, 0, 255]],
[[255, 0, 0], [0, 255, 0], [0, 0, 255]],
[[255, 0, 0], [0, 255, 0], [0, 0, 255]],
[[255, 0, 0], [0, 255, 0], [0, 0, 255]]],
[[[255, 0, 0], [0, 255, 0], [0, 0, 255]],
[[255, 0, 0], [0, 255, 0], [0, 0, 255]],
[[255, 0, 0], [0, 255, 0], [0, 0, 255]],
[[255, 0, 0], [0, 255, 0], [0, 0, 255]]]]
imgs = tf.reshape(imgs, [2, 4, 3, 3])
coords = [[[[0.2, 0.2], [1.3, 0.2], [1.8, 2.2]],
[[0.5, 2], [1.3, 2], [0.2, 1.6]],
[[0.2, 0.2], [1.3, 0.2], [1.8, 2.2]],
[[0.5, 2], [1.3, 2], [0.2, 1.6]]],
[[[0.2, 0.2], [1.3, 0.2], [1.8, 2.2]],
[[0.5, 2], [1.3, 2], [0.2, 1.6]],
[[0.2, 0.2], [1.3, 0.2], [1.8, 2.2]],
[[0.5, 2], [1.3, 2], [0.2, 1.6]]]]
coords = tf.reshape(coords, [2, 4, 3, 2]) cam_coords = [[[[1, 2, 3, 1], [2, 3, 4, 1], [3, 4, 5, 1]],
[[4, 5, 6, 1], [7, 8, 9, 1], [10, 11, 12, 1]],
[[1, 0, 3, 1], [3, 3, 4, 1], [3, 5, 5, 1]],
[[4, 4, 6, 1], [7, 7, 9, 1], [10, 12, 12, 1]]],
[[[1, 2, 3, 1], [2, 3, 4, 1], [3, 4, 5, 1]],
[[4, 5, 6, 1], [7, 8, 9, 1], [10, 11, 12, 1]],
[[1, 0, 3, 1], [3, 3, 4, 1], [3, 5, 5, 1]],
[[4, 4, 6, 1], [7, 7, 9, 1], [10, 12, 12, 1]]]]
cam_coords = tf.reshape(cam_coords, [2, 4, 3, 4]) def bilinear_sampler(imgs, coords, cam_coords):
def _repeat(x, n_repeats): # x = tf.cast(tf.range(4), 'float32') * 53248 n_repeats = 53248。
rep = tf.transpose(
tf.expand_dims(tf.ones(shape=tf.stack([
n_repeats,
])), 1), [1,
0]) # 最后得到[1,53248]大小的全一矩阵。tf.stack其作用类似于tf.concat,都是拼接两个张量,而不同之处在于,tf.concat拼接的是两个shape完全相同的张量,并且产生的张量的阶数不会发生变化,而tf.stack则会在新的张量阶上拼接,产生的张量的阶数将会增加
rep = tf.cast(rep, 'float32')
x = tf.matmul(tf.reshape(x, (-1, 1)),
rep) # reshape为一列,得到[[ 0.][ 53248.][106496.][159744.]]*rep,最后得到shape=(4, 53248)的矩阵。
return tf.reshape(x, [-1]) # 最后又化为一列Tensor("Reshape_1:0", shape=(212992,), dtype=float32) with tf.name_scope('image_sampling'):
coords_x, coords_y = tf.split(coords, [1, 1], axis=3)
inp_size = imgs.get_shape()
coord_size = coords.get_shape()
out_size = coords.get_shape().as_list()
out_size[3] = imgs.get_shape().as_list()[3] coords_x = tf.cast(coords_x, 'float32')
coords_y = tf.cast(coords_y, 'float32') x0 = tf.floor(coords_x)
x1 = x0 + 1
y0 = tf.floor(coords_y)
y1 = y0 + 1 y_max = tf.cast(tf.shape(imgs)[1] - 1, 'float32')
x_max = tf.cast(tf.shape(imgs)[2] - 1, 'float32')
zero = tf.zeros([1], dtype='float32') x0_safe = tf.clip_by_value(x0, zero, x_max)
y0_safe = tf.clip_by_value(y0, zero, y_max)
x1_safe = tf.clip_by_value(x1, zero, x_max)
y1_safe = tf.clip_by_value(y1, zero, y_max) ## bilinear interp weights, with points outside the grid having weight 0#判断是否相等,相等为1,不相等为0.
# wt_x0 = (x1 - coords_x) * tf.cast(tf.equal(x0, x0_safe), 'float32')
# wt_x1 = (coords_x - x0) * tf.cast(tf.equal(x1, x1_safe), 'float32')
# wt_y0 = (y1 - coords_y) * tf.cast(tf.equal(y0, y0_safe), 'float32')
# wt_y1 = (coords_y - y0) * tf.cast(tf.equal(y1, y1_safe), 'float32') wt_x0 = x1_safe - coords_x
wt_x1 = coords_x - x0_safe
wt_y0 = y1_safe - coords_y
wt_y1 = coords_y - y0_safe ## indices in the flat image to sample from
dim2 = tf.cast(inp_size[2], 'float32')
dim1 = tf.cast(inp_size[2] * inp_size[1], 'float32')
base = tf.reshape(
_repeat(
tf.cast(tf.range(coord_size[0]), 'float32') * dim1,
coord_size[1] * coord_size[2]),
[out_size[0], out_size[1], out_size[2],
1]) # tf.reshape(_repeat(tf.cast(tf.range(4), 'float32') * 128 * 416, 128 * 416), [4, 128, 416, 1])
# 上面最后得base=Tensor("Reshape_2:0", shape=(4, 128, 416, 1), dtype=float32)。中间有[ 0.][ 53248.][106496.][159744.]四种数。
base_y0 = base + y0_safe * dim2
base_y1 = base + y1_safe * dim2 # 考虑进有4个batch,所以不同batch要加上不同的基数。
idx00 = tf.reshape(x0_safe + base_y0, [-1]) # 加上基数之后构成了四个像素值的索引。
idx01 = x0_safe + base_y1
idx10 = x1_safe + base_y0
idx11 = x1_safe + base_y1 ## sample from imgs
imgs_flat = tf.reshape(imgs, tf.stack([-1, inp_size[3]]))
imgs_flat = tf.cast(imgs_flat, 'float32')
im00 = tf.reshape(tf.gather(imgs_flat, tf.cast(idx00, 'int32')), out_size) # 每一个输出都有对应的四个像素点的值参与运算。
im01 = tf.reshape(tf.gather(imgs_flat, tf.cast(idx01, 'int32')), out_size)
im10 = tf.reshape(tf.gather(imgs_flat, tf.cast(idx10, 'int32')), out_size)
im11 = tf.reshape(tf.gather(imgs_flat, tf.cast(idx11, 'int32')), out_size) w00 = wt_x0 * wt_y0 ######这里横轴和纵轴的距离乘机就算距离了。
w01 = wt_x0 * wt_y1
w10 = wt_x1 * wt_y0
w11 = wt_x1 * wt_y1 output = tf.add_n([
w00 * im00, w01 * im01,
w10 * im10, w11 * im11
]) # 以下为自定义代码
batch, height, width, channels = imgs.get_shape().as_list()
cam_coords = cam_coords[:, :, :, 0:-1]
cam_coords = tf.cast(cam_coords, 'float32')
euclidean = tf.sqrt(tf.reduce_sum(tf.square(cam_coords), 3))
euclidean = tf.reshape(euclidean, [2, -1]) xy00 = tf.concat([x0, y0], axis=3)
for i in range(batch):
cam_coordsi = cam_coords[i, :, :, :]
euclideani = euclidean[i, :]
euclideani = tf.reshape(euclideani, [-1, 1])
xy00_batchi = xy00[i, :, :, :] # 将横纵坐标合在一起,取batch1.
xy00_batchi = tf.reshape(xy00_batchi, [-1, 2])
xy00_batchi = tf.cast(xy00_batchi, tf.int32)
xy10_batchi = xy00_batchi + [1, 0]
xy01_batchi = xy00_batchi + [0, 1]
xy11_batchi = xy00_batchi + [1, 1] mask0 = tf.ones(shape=[height * width], dtype='float32') def true_1():
h = tf.cond(pred=tf.less(euclideani[h2, 0], euclideani[h1, 0]), true_fn=lambda: h1, false_fn=lambda: h2)
one_hot_true = tf.one_hot(indices=h, depth=12, axis=0)
return one_hot_true def false_1():
one_hot_false = tf.zeros([tf.shape(mask0)[0]])
return one_hot_false for h1 in range(xy00_batchi.get_shape().as_list()[0] - 1):
for h2 in range(h1 + 1, xy00_batchi.get_shape().as_list()[0]):
one_hot = tf.cond(pred=tf.reduce_all(tf.equal(xy00_batchi[h1, :], xy00_batchi[h2, :])), true_fn=true_1,
false_fn=false_1)
mask0 = mask0 - one_hot
mask0 = tf.clip_by_value(mask0, 0, 1)
mask0 = tf.reshape(mask0, [height, width])
mask1 = np.zeros(shape=[height, width], dtype='float32')
for l1 in range(xy00_batchi.get_shape().as_list()[0]):
q001 = xy00_batchi[l1, 0]
q002 = xy00_batchi[l1, 1]
q101 = xy10_batchi[l1, 0]
q102 = xy10_batchi[l1, 1]
q011 = xy01_batchi[l1, 0]
q012 = xy01_batchi[l1, 1]
q111 = xy11_batchi[l1, 0]
q112 = xy11_batchi[l1, 1]
var001 = tf.one_hot(indices=q002, depth=width, on_value=q001, off_value=height, axis=-1)
var002 = tf.one_hot(indices=var001, depth=height, axis=0)
var101 = tf.one_hot(indices=q102, depth=width, on_value=q101, off_value=height, axis=-1)
var102 = tf.one_hot(indices=var101, depth=height, axis=0)
var011 = tf.one_hot(indices=q012, depth=width, on_value=q011, off_value=height, axis=-1)
var012 = tf.one_hot(indices=var011, depth=height, axis=0)
var111 = tf.one_hot(indices=q112, depth=width, on_value=q111, off_value=height, axis=-1)
var112 = tf.one_hot(indices=var111, depth=height, axis=0)
mask1 = mask1 + var002 + var102 + var012 + var112
mask1 = tf.clip_by_value(mask1, 0, 1)
if i == 0:
mask0_stack = mask0
mask1_stack = mask1
else:
mask0_stack = tf.stack([mask0_stack, mask0], axis=0)
mask1_stack = tf.stack([mask1_stack, mask1], axis=0)
return output, mask0_stack, mask1_stack output_img, mask0_stack, mask1_stack = bilinear_sampler(imgs, coords, cam_coords)
with tf.Session() as sess:
# print(output_img)
# print(sess.run(output))
print(sess.run(output_img))
print(sess.run(mask0_stack))
print(sess.run(mask1_stack))
print(mask0_stack)
print(mask1_stack)

关于双线性插值中重叠像素与空白像素掩膜函数的一种迭代batch的写法的更多相关文章

  1. 【java】TreeMap/HashMap的循环迭代中 keySet和entrySet和forEach方式 + map的几种迭代方式

    参考链接:https://www.cnblogs.com/crazyacking/p/5573528.html ================================== java紫色代表迭 ...

  2. 关于CSS中的PX值(像素)

    场景: 人物:前端实习生「阿树」与 切图工程师「玉凤」事件:设计师出设计稿,前端实现页面 玉凤:树,设计稿发给你啦,差那么点像素,就叼死你┏(  ̄へ ̄)=☞阿树:~(>_<)~毛问题噶啦~ ...

  3. CSS中的px与物理像素、逻辑像素、1px边框问题

    一直不太清楚CSS中的1px与逻辑像素.物理像素是个什么关系(作为一名前端感觉很惭愧 -_-!),今天终于花时间彻底弄清楚了,其实弄清楚之后就觉得事情很简单,但也只有在弄清楚之后,才会觉得简单(语出& ...

  4. Opencv中图像的遍历与像素操作

    Opencv中图像的遍历与像素操作 OpenCV中表示图像的数据结构是cv::Mat,Mat对象本质上是一个由数值组成的矩阵.矩阵的每一个元素代表一个像素,对于灰度图像,像素是由8位无符号数来表示(0 ...

  5. HTML-HTML5+CSS3权威指南阅读(五、设备像素和CSS像素的概念)

    在这个迷你系列的文章里边我将会解释viewport,以及许多重要元素的宽度是如何工作的,比如<html>元素,也包括窗口和屏幕 这篇文章是关于桌面浏览器的,其唯一目的就是为移动浏览器中相似 ...

  6. 响应式设计:理解设备像素,CSS像素和屏幕分辨率

    概述 屏幕分辨率.设备像素和CSS像素这些术语,在非常多语境下,是可互换的,但也因此easy在有差异的地方引起混淆,实际上它们是不同的概念. 屏幕分辨率和设备像素是物理概念,而CSS像素是WEB编程的 ...

  7. 设备像素,设备独立像素,CSS像素

    之前学了移动端的开发对设备像素.设备独立像素.CSS像素弄得不太清楚,所以趁周末的时间查了一下,稍加整理 一些概念 在进行具体的分析之前,首先得知道下面这些关键性基本概念. CSS像素 CSS像素是W ...

  8. 【Android 应用开发】Android屏幕适配解析 - 详解像素,设备独立像素,归一化密度,精确密度及各种资源对应的尺寸密度分辨率适配问题

    . 作者 :万境绝尘 转载请注明出处 : http://blog.csdn.net/shulianghan/article/details/19698511 . 最近遇到了一系列的屏幕适配问题, 以及 ...

  9. CSS像素、物理像素、逻辑像素、设备像素比、PPI、Viewport

    1.PX(CSS pixels) 1.1 定义 虚拟像素,可以理解为“直觉”像素,CSS和JS使用的抽象单位,浏览器内的一切长度都是以CSS像素为单位的,CSS像素的单位是px. 1.2 注意 在CS ...

  10. 什么是物理像素、虚拟像素、逻辑像素、设备像素,什么又是 PPI, DPI, DPR 和 DIP

    什么是物理像素.虚拟像素.逻辑像素.设备像素,什么又是 PPI, DPI, DPR 和 DIP?有关 viewport 以及苹果安卓设备上的页面呈现为什么效果不一样,又有哪些方法去改变和统一呢?网络上 ...

随机推荐

  1. E1_1 用邻接矩阵存储有向图,并输出各顶点的出度和入度

    参考书:图论算法理论.实现及应用(北京大学出版社) 输入数据:(test.txt) 程序: /* 邻接矩阵存储有向图 */ #include <cstring> #include < ...

  2. (六)6.11 Neurons Networks implements of self-taught learning

    在machine learning领域,更多的数据往往强于更优秀的算法,然而现实中的情况是一般人无法获取大量的已标注数据,这时候可以通过无监督方法获取大量的未标注数据,自学习( self-taught ...

  3. ubuntu下使用C语言开发一个cgi程序

    主要步骤是: 1. 开发一个C程序(在标准输出中输出HTML字符串) 2. 复制到apache2的cgi-bin目录去 3. 在httpd.conf中开启cgi功能(我似乎没用到,也可以使用cgi) ...

  4. 基于 Hexo + GitHub Pages 搭建个人博客(一)

    前言:我的博客写作之路 15 年刚上大学,第一次接触公众号,就萌生了创建一个公众号写点东西,但最终不了了之. 很快到了 16 年,开始接触网上各大博客网站,接触最多的当属 CSDN,萌生了注册一个博客 ...

  5. ASP Action函数 如何接收client传递的数据(编辑中。。。)

    参看链接:https://www.cnblogs.com/umlzhang/p/3654486.html 我这里总结一下,Action的参数的来源比较多 1.url 2.路由设定 3.post中的内容 ...

  6. vim编辑器详解(week1_day3)--技术流ken

    vi编辑器 作用:编辑文本文件中的内容的工具 命令历史 末行模式中,以:和/开头的命令都有历史纪录,可以首先键入:或/然后按上下箭头来选择某个历史命令. 启动vim 在命令行窗口中输入以下命令即可 v ...

  7. Bigger-Mai 养成计划,前端基础学习之CSS

    在标签上设置style属性: background-color: #2459a2; height: 48px; ... 编写css样式: 1. 标签的style属性 2. 写在head里面 style ...

  8. Webpack2学习记录-1

    1.安装前准备 安装 webpack 之前,需要安装 node,这时最新的是 6,npm 是 4.如果有老的 node 项目在跑建议安装下 nvm. 2.建议安装在局部,即在项目下的 node_mod ...

  9. ubuntu 忽略文件的50unattended升级问题

    ubuntu出现这样问题 既然说那个文件扩展名无效,那干脆直接把那个文件删掉 sudo rm /etc/apt/apt.conf.d/20auto-upgrades.ucf-old 删掉之后应该就不会 ...

  10. stage.focus后 有黄色边框怎么去掉

    stage.stageFocusRect = false; stage.focus=niao; 必须先设为false