存储为HDF5后如何还原原始预处理图像？

问题原因分析 #

嘿，这个问题的核心其实是数据类型不匹配导致的数值溢出：

• cv2读取的图像默认是uint8类型（数值范围0-255），但你在创建HDF5数据集时用了np.int8（数值范围-128到127）。
• 当把0-255的uint8值存入int8数据集时，大于127的数值会被强制转换为负数（比如255会变成-1），这直接导致了图像色彩失真，也就是你看到的读取后图像和预处理前的差异。
• 而预测时，你用HDF5读取的是已经被“错误转换”后的数据，训练过程也是基于这些失真数据进行的，所以直接传正常预处理的图像（未经过溢出转换）就会和训练数据分布不一致，导致预测结果错误。

解决方案 #

1. 修复HDF5保存时的数据类型 #

把保存图像的数据集类型从np.int8改成np.uint8，和cv2读取的图像类型保持一致，避免数值溢出：
修改保存代码中的这一行：

hdf5_file.create_dataset("train_img", train_shape, np.uint8)

这样保存后的图像数据和预处理后的原始数据完全一致，读取后也不会有色彩失真的问题。

2. 统一预测时的预处理流程 #

直接用cv2读取图像做预测时，必须和你保存HDF5前的预处理步骤完全对齐，包括：

• 旋转90度
• 缩放到128x128
• 通道顺序转换（从cv2的HWC转为CNN需要的CHW）
• （如果训练时做了归一化或均值减法，也要同步执行）

给你写个示例预测预处理函数：

def preprocess_for_prediction(img_path, mean=None):
    # 1. 读取图像
    img = cv2.imread(img_path)
    # 2. 和保存HDF5前一致的预处理
    img = imutils.rotate(img, 90)
    img = cv2.resize(img, (128, 128))
    # 3. 转换通道顺序为CHW（和训练时一致）
    img = np.rollaxis(img, 2)
    # 4. 转换数据类型（如果训练时用了float32）
    img = img.astype('float32')
    # 5. 如果训练时做了均值减法，这里也要执行
    if mean is not None:
        img -= mean
    # 6. 增加batch维度（Keras预测需要batch维度）
    return img[None, ...]

使用的时候，先加载之前保存的mean值，再传入图像路径即可：

# 加载mean
hdf5_file = h5py.File(r'D:\test_images\test.hdf5', "r")
mean = hdf5_file["train_mean"][...]
hdf5_file.close()

# 预处理图像并预测
pred_img = preprocess_for_prediction(r"D:\test_images/your_test_img.jpg", mean)
result = model.predict(pred_img)

3. 验证修复效果 #

修改保存代码后重新生成HDF5文件，再读取保存的图像，你会发现test_after.jpg和test_before.jpg完全一致了；同时用上面的预处理函数得到的图像，预测结果也会和直接从HDF5读取的图像结果一致。

内容的提问来源于stack exchange，提问作者Anupam Mohanty