目的

cifar-10の画像データを読み込みRGBをLabに変換する

事前準備

インポート

import pickle
import numpy as np
import matplotlib.pyplot as plt
import cv2

画像の読み込み

cifar-10データセットから画像データセットをダウンロード

画像の中身（cifar-10データセットより引用）

10クラスの60000の32x32カラー画像
RGBフルカラー画像： RGB（赤色／緑色／青色）3色の組み合わせで、それぞれ「0」～「255」の256段階
1つ分のデータが基本的に(3, 32, 32)もしくは(32, 32, 3)（＝計3072要素）という多次元配列の形状

「pickled」オブジェクトのため、ファイルを開いて辞書を返す

def unpickle(file):
    import pickle
    with open(file, 'rb') as fo:
        dict = pickle.load(fo, encoding='bytes')
    return dict

（unpickle関数はcifar-10データセットより引用）

辞書の中身（cifar-10データセットより引用）

データ- 10000x3072 numpyののの配列のuint8。配列の各行には、32x32のカラー画像が格納されます。最初の1024エントリには赤のチャネル値が含まれ、次の1024エントリには緑、最後の1024エントリには青が含まれます。画像は行優先順に格納されるため、配列の最初の32エントリは、画像の最初の行の赤チャネル値になります。
ラベル-0〜9の範囲の10000個の数値のリスト。インデックスiの番号は、配列データのi番目の画像のラベルを示します。

data_batch_1の読み込み

# バッチ1を読み込み
data_batch_1 = unpickle('cifar-10-batches-py/data_batch_1')

data_batch_1_data.shape # -> (10000, 3072)

カラー画像のNumpy配列に変換

辞書では１列のNumpy配列になっているため、カラー画像のNumpy配列に変換する。

# 1 列の Numpy 配列を 32 x 32 のカラー画像の Numpy 配列に変換
def data_to_array(data):
    ar1 = np.empty((32, 32, 3), dtype='uint8')
    data1 = data.reshape(3, 32, 32)
    for i in range(3):
        ar1[:, :, i] = data1[i, :, :]
    return ar1

# バッチ1データ（10000件）を 32 x 32 のカラー画像の Numpy 配列に変換しリストに格納
data_batch_1_img_list = list()

for data in data_batch_1_data:
    img = data_to_array(data)
    #print(img.shape)
    data_batch_1_img_list.append(img)

len(data_batch_1_img_list) # -> 10000

type(data_batch_1_img_list[0]) # -> numpy.ndarray

表示

カラー画像のNumpy配列に変換したリストを表示。

# カラー画像を表示
def check_image(n):
    plt.imshow(data_batch_1_img_list[n])

chek_image(0)

Lab画像に変換

Lab画像とは？

"Lab色空間は補色空間の一種で、明度を意味する次元 L と補色次元の a および b を持ち、CIE XYZ 色空間の座標を非線形に圧縮したものに基づいている。RGBやCMYKとは異なり、Lab色空間は人間の視覚を近似するよう設計されている。"
（出典：https://ja.wikipedia.org/wiki/Lab%E8%89%B2%E7%A9%BA%E9%96%93)

Lab画像に変換し表示する。

# rgb　を Lab に変換
img_Lab = cv2.cvtColor(data_batch_1_img_list[0], cv2.COLOR_RGB2Lab)
img_L, img_a, img_b = cv2.split(img_Lab)
plt.imshow(img_Lab)

img_Lab.shape # -> (32, 32, 3)