以加快影像工程和研究发展为目标的数据管道和便利库
imagepypelines的Python项目详细描述
；imagepypelines
！[构建]（https://www.travis-ci.com/jmaggio14/imagepypelines.svg？branch=master"主构建成功"）
[！[codecov]（https://codecov.io/gh/jmaggio14/imagepypelines/branch/master/graph/badge.svg）]（https://codecov.io/gh/jmaggio14/imagepypelines）
"imagepypelines"包由高级工具组成，简化了复杂图像处理、计算机视觉和机器的构建学习框架。在罗切斯特理工学院（rochester institute of technology）的本科成像科学项目期间，我们发现自己在编写和重写代码，这些代码非常简单，例如数据类型转换和调试时显示图像，比数学或逻辑错误本身带来的麻烦还多！我们希望"imagepypelines"的即插即用、易于定制的特性将允许所有数据驱动的科学家快速构建复杂的框架，用于原型应用程序，并成为那些对学习传统难题感兴趣的人的有价值的教育工具。在友好的环境中！
为了实现这一目标，我们的开发团队始终遵循以下5个核心原则：
1。乐高玩具很有趣。编码应该很有趣
3。因此编码应该像玩乐高玩具一样。图像是有趣的，因此这将始终是我们的焦点
5。我们必须受苦，以免我们的用户受苦
**u此项目目前处于alpha椆
谮installation椆br/>（确保您看到**依赖项**部分）椆
python兼容性：3.4-3.6（python 2.7向后）64位
**通过pip**：
``````
pip安装imagepypelines--用户
```
**从源**：
``控制台
git克隆https://github.com/jmaggio14/imagepypelines.git
cd imagepypelines
python setup.py install
````
中国的Tensorflow
`` console
pip安装Tensorflow GPU的Tensorflow GPU的Tensorflow GPU用户
````（或仅限CPU使用）console
``` console
`` console
pip安装Tensorflow的Tensorflow用户
````
````
`` opencv opencv opencv
我们强烈建议您[从源代码构建opencv opencv]（https://docs://docs://docs/docs/docs.opencv.org/3.4/df/d65/tutorial_表格内容简介.html）。***但是，可以使用
``控制台
pip install opencv python--user
```
（虽然这些非官方绑定没有遇到很多问题，
我们不保证支持）
`ImagePypelines`，包括示例和教程，可以在我们的网站上找到：www.imagePypelines.org
\您可以将此代码用于研究或商业用途，只要它符合本回购协议中包含的许可条款以及"imagepypelines"依赖项的许可条款。
e="ImagePypelines-成像科学加速库"，
author="Hartzell，Dileas，Maggio"，
year="2018"，
HowPublished="\url{https://github.com/jmaggio14/ImagePypelines}"，
}
`````
设置并不总是很容易适应新的用途，因此常常被降级到概念验证应用程序。许多自定义管道可能也不提供分步错误检查，这会使调试成为一个挑战。
！[xkcd]（https://imgs.xkcd.com/comics/data_pipeline.png"破裂的管道"）
（来源：[xkcd]（https://www.xkcd.com/2054/））
`imagepypelines'的"管道"对象允许快速构建和原型制作，确保工作流每一层的端到端兼容性，并利用有用的内部调试实用程序，用于以图像为中心或高维数据例程。
[管道]（https://raw.githubusercontent.com/jmaggio14/imagepypelines/91b5f297632df16c2c246492782e37ea0a263b45/docs/images/pipeline-example.png"管道示例"）
每个"块"都接受一个数据列表并返回一个数据列表，将其传递到下一个块或从管道中传出。该系统确保块与成批或单独处理数据的算法兼容。块还支持标签处理，因此**与受监督的机器学习系统或其他需要培训的算法兼容**
广义上说，每个框都可以看作是一个黑框，只需对输入数据应用操作即可！[块]（https://raw.githubusercontent.com/jmaggio14/imagepypelines/91b5f297632df16c2c246492782e37ea0a263b45/docs/images/block.png"块示例"）
a"u datum"可以是任何类型：图像数组、文件名、标签——几乎是pythonic类型。
SS基准比它们接收的数据要多，因此能够用于筛选或向管道中注入数据。
所有模块是否相互兼容？
并非全部，每个块都有预定义的可接受输入和输出。然而，"pipeline"对象将在处理任何数据之前验证管道完整性
splay'）
pipeline.add（ip.imageloader（））其中每个元素都是"blocks"
pipeline.add（ip.resizer（））
pipeline.add（ip.blockviewer（））
pipeline.process（ip.standard_image_filenames（））
````
我们刚刚制作了一个处理管道，可以读取图像、调整图像大小并显示它们！但我们可以做更复杂的操作。
wer（暂停时间=1）
pipeline=ip.pipeline（块=[加载、调整大小、fft、低通、ifft、显示]）
ons
"imagepypelines"的一个更强大的应用是它易于在
机器学习和功能工程应用中使用。
我们可以轻松地定制一个管道来执行图像分类e超参数为**ip.simpleImageClassifier**
`` python
导入图像像素为ip
features=ip.pretrainednetwork（）；图像特征块
pca=ip.pca（256）；主成分分析块
神经网络=ip.multilayerperceptron（neurs=512，num掼hidden=2）`neural网络块
classifier=ip.pipeline（[特征，pca，神经网络]）
r/>classifier.train（train_u data，train_u labels）train the classifier
predictions=classifier.process（test_data）test the classifier
打印精度
精度=IP.精度（预测，地面真实）*100
打印（'管道分类精度为{}%！'.format（accurity））
```
我们刚刚训练了一个完整的神经网络分类器！
_
i/o操作
-图像显示
-摄像机捕捉
-图像加载器
-图像写入
机器学习
-线性支持向量机
-rbf支持向量机
-多支持向量机
-乙状结肠支持向量机
-可训练neural网络
-8预训练神经网络（用于特征提取）
-主成分分析
调整大小
将ImagePypeLines排序为IP
创建用于处理图像的函数
def normalize\u image（img）：
返回img/img.max（）
e，none，3]）：ip.arrayType（[none，none，3]）}
block=ip.quick_block（normalize_image，io_map）
````
此示例不包括培训或标签处理"python
将ImagePypeLines导入为IP
Class normalizeBlock（IP.simpleBlock）：
"将块规格化为0和最大计数（包括0和最大计数）"
def初始计数（self，max计数=1）：
self.max计数=max计数
使用灰度和彩色图像的块
io-map={ip.arraytype（[none，none]）：ip.arraytype（[none，none]），
ip.arraytype（[none，none，3]）：ip.arraytype（[none，none，3]）}
super（normalizeblock，self）。\uu-init（io-map）
def process（self，img）：
"重载进程"sing function for this block"
返回img.astype（np.float32）/img.max（）*self.max\count
````
计算机视觉
任务
_ gradient=ip.linear（）
```
可以使用"ip.list_standard_images（）`
检索标准图像的完整列表对于在RIT的成像科学项目中的人来说，有一对复活节彩蛋给你们；）
``python
将imagepypelines导入为ip
ip.quick_image_view（ip.carlenna（））
ip.quick_image_view（ip.roger（））
ip.quick_image_view（ip.pig（））
````
` imagepypelines`包含用于此目的的帮助函数和对象
=ip.lenna（）
/>#显示标准化为255的lenna
ip.quick_image_view（lenna，normalize_and_bin=true）
````
r/>``python
import imagepypelines as ip
import time
对于标准图像中的img：
viewer.view（img）
time.sleep（.1）
````
随机模式=np.random.rand（512512）.astype（np.float32）
成像科学家经常默认打印出数据的形状或大小。` imagepypelines`包含
一个helper类，用于以格式化字符串快速汇总图像
``python
将imagepypelines导入为ip
lenna=ip.lenna（）
summary=ip.summary er（lenna）
print（summary）
```
生成以下内容12，512，3）大小：786432最大：255最小：3平均：128.228数据类型：uint8]'
````
ly errors
`` python
将图像像素导入为ip
lenna=ip.lenna（）
=IP.维度（lenna）
```
` imagepypelines包括一些简单的工具来计时进程或函数
导入时间
time.sleep（5）
print（t.time（），"seconds"）或t.time（ms）为毫秒
` `
``
time.sleep（1）
打印（t.lap（），"seconds"或t.lap.ms（），持续毫秒
```
t=timer（）
t.计数道n=n
当t.倒计时时：
做某事（
```
要从ImagePypelines运行
``python
。util import function\u timer
from ImagePypelines.util import function\u timer
import time
秒使用"@function\u timer\u ms"
@function\u timer\u ms
def或illiseconds（）：
time.sleep（1）
在1000.118ms的"或以毫秒为单位"上
```
``imagepypelines`
**u中的开发工具这一部分是为"imagepypelines"的开发人员或希望"imagepypelines"与他们的项目紧密结合的人设计的。？？？
如果是这样，那么您可能会使用数百万个print语句来调试代码。（别担心，我们都有罪）
`imagepypelines`通过使用一个名为**`printer`**的对象鼓励代码跟踪。打印机是简单地打印出正在发生的事情的对象，这种打印方式易于读取、用颜色编码并可追踪到正在执行当前操作的对象。**打印机的开销极低，不会比打印语句更影响代码的速度。**
d使用"get printer"函数
``python
import imagepypelines as ip
printer=ip.getprinter（'name your printer here'）
```
在"imagepypelines"中，打印机级别也是彩色编码的，因此可以在控制台中轻松读取它们
``python
import imagepypelines as ip
example\printer=ip.get_printer（'example！'）
示例"printer.debug（'message'）"在级别10打印"message"-蓝色文本
示例"printer.info（'message'）"在级别20打印"message"-白色文本
示例"printer.warning（'message'）"在级别30打印"message"-黄色文本
示例"printer.comment（'message'）"打印"messa"ge'在级别30-绿色文本
示例打印机。错误（'message'）在级别40打印'message'-红色文本
示例打印机。critical（'message'）在级别50打印'message'-粗体红色文本
````
任何低于当前"全局日志"级别的级别都将**不打印。这样可以很容易地筛选出可能有错误或太多无法理解的语句。
l现在不打印
```
本地打印机级别可以用"printer.set_logu level`
``python
import imagepypelines as ip
printer=ip.get_printer（'example printer'）
printer.set_logu level（'error'）只打印错误和关键函数xactly与python的[`logging`]（https://docs.python.org/3.7/library/logging.html）模块中的logu levels相同）
您可以使用"白名单打印机"、"黑名单打印机"或"禁用所有打印机"功能来执行此操作
-->；（imagepypelines）[debug]调试消息
ip.info（'info message'）\level=20-->；（imagepypelines）[info]调试消息
ip.warning（'warning message'）\level=30-->；（imagepypelines）[warning]警告消息
ip.error（'error message'）#level=40-->；（imagepypelines）[error]错误消息
ip.critical（'critical message'）\level=50-->；（imagepypelines）[critical]关键消息
ip.comment（'comment message'）\level=30-->；（imagepypelines）[comment]注释消息
```
`````类打印机
定义初始化（self，*args，**kwargs）：
self.do_something（）
def do_something（self）：
self.printer.warning（"做了什么！"）
exampleclass（）
```
生成以下实例化的
````
（exampleclass）[info]对象！
（exampleclass）[警告]做了什么！
```
这样就可以很容易地跟踪代码所在管道的哪个阶段，因为每个对象都有自己的打印机，并且可以在终端中区分！
development decorators
`imagepypelines`包含四个decorator，由后端的开发人员使用
"d_函数"已重命名为"new_函数"。引用将在以后的版本中删除！）
def old廑function（）：
pass廑real code将执行一些操作
old廑function（）
````
生成以下结果（imagepypelines）[警告]折旧警告："old廑function"已重命名为"new廑function"。引用将在以后的版本中删除！
```
/>new_feature（）
```
````
（imagepypelines）[warning]实验警告："new_feature"是一个实验功能
```
\human_u test
这是一个为需要人工验证功能的单元测试而设计的装饰器。（例如：显示图像的函数）
**警告：与大多数decorator不同，这不会返回包装函数的输出，而是返回true或false。
这是因为它用于单元测试，而不是在管道中实际使用**
``python
import imagepypelines as ip
@ip.util.human嫒test
def unit嫒u test嫒u for嫒quick嫒u image嫒view（）：
ip.quick嫒u image嫒view（ip.lenna（））
print（'测试成功：unit嫒u test嫒u for嫒quick嫒image嫒view（））
````
u lenna将显示嫒br/>
生成以下终端供用户回答或者"单元测试"成功？对？不？
```
与这里描述的其他装饰器不同，我们鼓励您在开发期间经常在代码中使用此装饰器，以避免出现愚蠢的错误
``python
import imagepypelines as ip
@ip.util.print_args
def func_with_lots_args（a，b，c=3，d=4）：
pass
func_with lots_of_args（1，b=2，c='not 3'）
```
在终端中产生以下结果默认d:4
```
欢迎加入QQ群-->： 979659372
