ごま塩ノイズを加える

2016-09-22
blog

TensorflowでSalt and pepper noiseを加えてみた。

ss.png

やり方としては、random_uniformで生成した一様乱数をgreater_equalでごまと塩に変換し、maximumminimumで元の画像と合成する。

# sp_noise.py
import tensorflow as tf

flags = tf.app.flags
FLAGS = flags.FLAGS
flags.DEFINE_integer('batch_size', 20, '')
flags.DEFINE_float('salt_ratio', 0.01, '')
flags.DEFINE_float('pepper_ratio', 0.1, '')
flags.DEFINE_string('summary_dir', 'summary', '')

from tensorflow.examples.tutorials.mnist import input_data

def main():
# Build a graph.
with tf.variable_scope('input'):
input = tf.placeholder(tf.float32, shape=[None, 28 * 28])
input_image = tf.reshape(input, [-1, 28, 28, 1])

with tf.variable_scope('random'):
random_count = FLAGS.batch_size # can be 1?
random_image = tf.random_uniform(shape=[random_count, 28, 28, 1],
minval=0.0, maxval=1.0)

with tf.variable_scope('salt'):
salt_ratio = tf.placeholder(tf.float32)
salt_image = tf.to_float(tf.greater_equal(random_image, 1.0 - salt_ratio))

with tf.variable_scope('pepper'):
pepper_ratio = tf.placeholder(tf.float32)
pepper_image = tf.to_float(tf.greater_equal(random_image, pepper_ratio))

with tf.variable_scope('noised'):
noised_image = tf.minimum(tf.maximum(input_image, salt_image), pepper_image)

# Execute.
mnist = input_data.read_data_sets("MNIST_DATA/")

with tf.Session() as sess:
if tf.gfile.Exists(FLAGS.summary_dir):
tf.gfile.DeleteRecursively(FLAGS.summary_dir)

names = ['0-input', '1-random', '2-salt', '3-pepper', '4-noised']
images = [input_image, random_image, salt_image, pepper_image, noised_image]
summaries = [tf.image_summary('image', image, max_images=FLAGS.batch_size)
for image in images]

batch = mnist.train.next_batch(FLAGS.batch_size)
results = sess.run(summaries,
feed_dict={input: batch[0],
salt_ratio: FLAGS.salt_ratio,
pepper_ratio: FLAGS.pepper_ratio})
for (result, name) in zip(results, names):
writer = tf.train.SummaryWriter('%s/%s' % (FLAGS.summary_dir, name), sess.graph)
writer.add_summary(result)


if __name__ == '__main__':
main()
  • 乱数を任意長で生成する方法がわからなかったので、バッチ数分固定にしてしまっている
    • 1個にするとバッチの全てに同じごま塩が適用されてそれで学習が偏らないか不安だが、バッチを何回も回すんであれば問題ないかも

実行すると結果がsummaryに出力されるので、Tensorboardで見ることができる:

$ python sp_noise.py
Extracting MNIST_DATA/train-images-idx3-ubyte.gz
Extracting MNIST_DATA/train-labels-idx1-ubyte.gz
Extracting MNIST_DATA/t10k-images-idx3-ubyte.gz
Extracting MNIST_DATA/t10k-labels-idx1-ubyte.gz
$ tensorboard --logdir=summary

  • 9/24: わざわざ乱数をプレースホルダーで与えなくても、random_uniformで実行ごとに生成されるということなのでそちらを使うようにした。