You need to enable JavaScript to run this app. 如何将float32格式TIF图像切片读取为TensorFlow float32张量用于CNN训练
优惠活动
大模型
产品
解决方案
定价
更多

如何将float32格式TIF图像切片读取为TensorFlow float32张量用于CNN训练

实现方案

完全可以在你现有代码框架上修改,不需要推翻重写。目前tfio自带的experimental TIF解码器仅支持8位整型图像,对float32存储的TIFF没有原生适配,直接使用会出现精度丢失。

适配依赖

提前安装支持float32 TIFF读取的工具库:

pip install tifffile

该库是遥感图像处理场景下的常用TIFF读取工具,能完整保留float32像素的原始数值,不会做强制uint8量化转换。

修改图像读取逻辑

整体流程和你之前实现的png读取逻辑完全对齐,仅替换解码部分的代码即可。

  1. 编写numpy层的TIFF读取函数,保证读取的数值和本地用Python打开文件得到的float32值完全一致
import tifffile
import numpy as np
import tensorflow as tf

def read_rgb_float32_tif(file_path):
    path_str = file_path.numpy().decode()
    img = tifffile.imread(path_str)
    # 强制转换为float32,避免存储端的类型偏差
    return img.astype(np.float32)

def read_label_float32_tif(file_path):
    path_str = file_path.numpy().decode()
    lbl = tifffile.imread(path_str)
    lbl = lbl.astype(np.float32)
    # 统一标签形状为(H,W,1),和后续模型输入要求对齐
    if len(lbl.shape) == 2:
        lbl = np.expand_dims(lbl, axis=-1)
    return lbl
  1. 重写_process_pathnames函数,用TensorFlow官方支持的tf.numpy_function把上述读取逻辑包装为可在数据管道中运行的操作
img_shape = (128, 128, 3)
batch_size = 2

def _process_pathnames(fname, label_path):
    # 读取RGB输入图像,输出float32张量
    img = tf.numpy_function(
        func=read_rgb_float32_tif,
        inp=[fname],
        Tout=tf.float32
    )
    # 锁定张量固定形状,避免动态维度推断报错
    img.set_shape(img_shape)

    # 读取单通道标签图像
    label_img = tf.numpy_function(
        func=read_label_float32_tif,
        inp=[label_path],
        Tout=tf.float32
    )
    # 锁定标签形状为(128,128,1)
    label_img.set_shape((img_shape[0], img_shape[1], 1))

    return img, label_img

对接已有的文件名列表

直接复用你已经整理好的训练、验证、测试集文件路径列表,搭建标准的tf.data数据管道,和之前png版本的处理流程完全兼容:

# 训练集管道
train_dataset = tf.data.Dataset.from_tensor_slices((x_train_filenames, y_train_filenames))
train_dataset = train_dataset.map(_process_pathnames, num_parallel_calls=tf.data.AUTOTUNE)
train_dataset = train_dataset.shuffle(buffer_size=num_train_examples)
train_dataset = train_dataset.batch(batch_size).prefetch(tf.data.AUTOTUNE)

# 验证集管道
val_dataset = tf.data.Dataset.from_tensor_slices((x_val_filenames, y_val_filenames))
val_dataset = val_dataset.map(_process_pathnames, num_parallel_calls=tf.data.AUTOTUNE)
val_dataset = val_dataset.batch(batch_size).prefetch(tf.data.AUTOTUNE)

# 测试集管道
test_dataset = tf.data.Dataset.from_tensor_slices((x_test_filenames, y_test_filenames))
test_dataset = test_dataset.map(_process_pathnames, num_parallel_calls=tf.data.AUTOTUNE)
test_dataset = test_dataset.batch(batch_size).prefetch(tf.data.AUTOTUNE)

注意事项

  • 不要直接在map操作里调用tifffile读文件,TensorFlow的数据管道是在图模式下运行的,直接调用会报路径无法解析的错误,必须通过tf.numpy_function封装一层。
  • 一定要用set_shape锁定固定维度,不然CNN模型搭建时会因为维度动态推断失败抛出形状不匹配的错误。
  • 这套流程的读取精度和你在eager模式下用tf.convert_to_tensor转换得到的张量完全一致,且不会破坏数据管道的预取、并行处理性能。

内容的提问来源于stack exchange,提问作者Sam

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.26 02:15:03