把通道放在前面：

image = cv2.imread(path + file)image = cv2.resize(image, (48, 48), interpolation=cv2.INTER_CUBIC) aaaa= np.transpose(image,(2, 0, 1)) print(aaaa)

圖像原來shape：(48, 48, 3)，改之后shape：(3,48,48)

注意：reshape不能解決通道轉換問題

pycaffe做識別時通道轉換問題：

要注意一點的就是：Caffe中彩色圖像的通道是BGR格式，圖像存儲是【0,255】

1.caffe.io.load_image方式 view plai cop

image = caffe.io.load_image(image_file) #加載圖片

使用caffe.io.load_image()讀進來的是RGB格式和0~1(float）

所以在進行識別之前要在transformer中設置transformer.set_raw_scale('data',255)(縮放至0~255）

以及transformer.set_channel_swap('data',(2,1,0)(將RGB變換到BGR）

# python中將圖片存儲為[0, 1]，而caffe中將圖片存儲為[0, 255]，所以需要一個轉換 transformer.set_raw_scale('data', 255)  # 縮放到[0，255]之間 transformer.set_channel_swap('data', (2,1,0)) #交換通道，將圖片由RGB變為BGR（caffe中圖片是BGR格式，而原始格式是RGB，所以要轉化） 

2.使用cv2.imread()來讀取圖片

cv2.imread()接口讀圖像，讀進來直接是BGR 格式and 0~255

所以不需要再縮放到【0,255】和通道變換【2,1,0】，不需要transformer.set_raw_scale('data',255)和transformer.set_channel_swap('data',(2,1,0)）

3.使用PIL來讀取圖片

對于彩色圖像，不管其圖像格式是PNG，還是BMP，或者JPG，在PIL中，使用Image模塊的open()函數打開后，返回的圖像對象的模式都是“RGB”。而對于灰度圖像，不管其圖像格式是PNG，還是BMP，或者JPG，打開后，其模式為“L”。所以需要轉換格式，但不需要縮放到[0，255]

data = np.array(Image.open(self.dataRoot+img_list)) data = np.transpose(data,(2,0,1))#轉換通道 data[[0,2],...] = data[[2,0],...] #RGB→BGR 

4.對于matlab來說

Caffe中的blobs格式是N*C*H*W，分別是數量Number，通道數Channel，以及寬度Height和寬度Width

而matlab中是先寬后高，即[w，h]，圖像的通道是RGB

所以需要進行相應的轉換：

im_data = im (:,:,[3,2,1]) ; %RGB to BGR

im_data = permute(im_data, [2,1,3]); %旋轉高度和寬度

最后，分享一個Caffe的典型python識別代碼：

# -*- coding: utf-8 -*- """ Created on Sun May 28 16:00:47 2017 @author: fancp，#windows下CPU模式 """ import numpy as np import caffe import sys caffe_root = 'F:/Caffe' #########你自己的Caffe路徑 sys.path.insert(0, caffe_root + '/python')  size = 227 #訓練的圖片尺寸 image_file = 'F:/.../.../nihao.jpg'#圖片路徑 model_def = 'F:/.../.../deploy.prototxt'#deploy模型文件位置 model_weights = 'F:/.../.../_iter_20000.caffemodel'#訓練完的模型位置 net = caffe.Net(model_def, model_weights, caffe.TEST)   # 加載均值文件 mu = np.load(caffe_root + '/python/caffe/imagenet/ilsvrc_2012_mean.npy') ###caffe 自帶的文件 mu = mu.mean(1).mean(1) # average over pixels to obtain the mean (BGR) pixel values ###########################下面這5句等同與上面兩句，選擇其一################# #blob = caffe.proto.caffe_pb2.BlobProto() #mean_data = open( 'mean.binaryproto' , 'rb' ).read() #blob.ParseFromString(mean_data) #mu = np.array(caffe.io.blobproto_to_array(blob)) #mu = mu.mean(1).mean(1).mean(1) ############################################################################## #圖片預處理 transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape}) ##設定圖片的shape格式(1,3,227,227)，大小由deploy 文件指定 # python讀取的圖片文件格式為H×W×K，需轉化為K×H×W transformer.set_transpose('data', (2,0,1)) #改變維度的順序，由原始圖片(227,227,3)變為(3,227,227) transformer.set_mean('data', mu)   # 每個通道減去均值  # python中將圖片存儲為[0, 1]，而caffe中將圖片存儲為[0, 255]，所以需要一個轉換 transformer.set_raw_scale('data', 255)  # 縮放到【0，255】之間 transformer.set_channel_swap('data', (2,1,0)) #交換通道，將圖片由RGB變為BGR（caffe中圖片是BGR格式，而原始格式是RGB，所以要轉化） net.blobs['data'].reshape(1,3,size, size) # 將輸入圖片格式轉化為合適格式（與deploy文件相同） #上面這句，第一參數：圖片數量 第二個參數 ：通道數 第三個參數：圖片高度 第四個參數：圖片寬度  image = caffe.io.load_image(image_file) #加載圖片 # 用上面的transformer.preprocess來處理剛剛加載圖片 net.blobs['data'].data[...] = transformer.preprocess('data', image)   ### perform classification caffe.set_mode_cpu() output = net.forward() #print output output_prob = output['prob'][0].argmax() # 給出概率最高的是第幾類，需要自己對應到我們約定的類別去