如何对numpy数组应用Keras训练图像时采用的相同预处理步骤

问题根因 #

自行预处理的结果与训练输入不一致，核心是没有对齐训练流程中两步隐式的格式转换逻辑：

• matplotlib.image.imsave保存灰度图时，会自动将输入的float32数组（默认取值范围0_{1）映射为0}255范围的uint8格式存储
• flow_from_directory默认使用PIL库完成图像缩放、通道转换，插值逻辑和常用的OpenCV/skimage.resize存在差异

正确处理流程 #

以下步骤完全对齐训练时的数据流，无需存储临时图像：

1. 对齐图像存储时的数值转换逻辑，将原始float32数组转为uint8格式

# 若原始数组取值范围为0~1，执行以下代码
arr_uint8 = (original_arr * 255).astype(np.uint8)
# 若原始数组本身就是0~255范围的float32，直接转类型即可
# arr_uint8 = original_arr.astype(np.uint8)

2. 使用PIL完成缩放，对齐flow_from_directory的默认插值逻辑

from PIL import Image
# 加载为单通道灰度PIL图像
pil_img = Image.fromarray(arr_uint8, mode="L")
# 用双线性插值缩放到224*224，和ImageDataGenerator默认插值方法一致
pil_img = pil_img.resize((224, 224), resample=Image.Resampling.BILINEAR)

3. 转为3通道RGB数组，匹配训练时的颜色模式设置

# 转换后shape为(224,224,3)，三个通道数值完全一致，符合灰度转RGB的逻辑
arr_rgb = np.array(pil_img.convert("RGB"))

4. 执行VGG19标准预处理并扩展batch维度

from tensorflow.keras.applications.vgg19 import preprocess_input
processed_input = preprocess_input(arr_rgb)
# 增加batch维度，适配模型输入要求
processed_input = np.expand_dims(processed_input, axis=0)

5. 直接调用模型预测即可

pred_result = model.predict(processed_input)

异常排查点 #

如果预测结果仍有偏差，可核对以下配置：

• 若你在初始化ImageDataGenerator时手动指定了interpolation参数，需要将上述resize步骤的resample参数改为匹配的PIL插值枚举值
• 不要手动调整通道顺序，VGG19的preprocess_input会自动完成RGB转BGR、减均值的操作，重复处理会导致输入异常

内容的提问来源于stack exchange，提问作者akilat90