如何绑定图像张量，以便在tensorflow中将每个像素值绑定/分桶为10个值中的1个

Question

我有一个图片数据集作为张量，每个像素的值在0到1之间，我有一组“bin”。

bins = [0.05, 0.15, 0.25, 0.35, 0.45, 0.55, 0.65, 0.75, 0.85, 0.95]

我想返回一个张量，每个像素值都是它最近的bin。例如，如果像素是0.03，它将变成0.05，如果像素是0.79，它将变成0.75。

我希望这是用张量完成的，而不是numpy。

这就是它在numpy中的工作方式。然而，当涉及到迭代时，张量流似乎是一个完全不同的野兽。我已经尝试了tf.map_fn和tf.scan来遍历，但是我不能让它工作。

def valueQuant(picture, splitSize):
  #This is the Picture that will be returned
  Quant_Pic = np.zeros((picture.shape[0], picture.shape[1]))

  #go through each pixel of the image
  for y_col in range(picture.shape[0]):  
    for x_row in range(picture.shape[1]):
      #isolate regions based on value
      for i in range(splitSize):
        #low and high values to isolate
        lowFloatRange = float((1/splitSize)*i)
        highFloatRange = float((1/splitSize)*(i+1))
        #value to turn entire clustor
        midRange = lowFloatRange + ((highFloatRange - lowFloatRange)/2)
        #current value of current pixel
        curVal = picture[y_col][x_row]
        #if the current value is within the range of interest
        if(curVal >= lowFloatRange and curVal <= highFloatRange):
            Quant_Pic[y_col][x_row] = midRange

  return Quant_Pic  

仅使用张量流方法，我就能找到一种单元方法。

def quant_val(current_input):
    bins = tf.constant([0.05, 0.15, 0.25, 0.35, 0.45, 0.55, 0.65, 0.75, 0.85, 0.95])
    dist = tf.tile(current_input, [10])
    dist = tf.math.subtract(bins, current_input)
    absDist = tf.math.abs(dist)
    idx = tf.math.argmin(absDist)
    output = bins[idx]
    output = tf.expand_dims(output, 0)
    print("output", output)

    return output

current_input = tf.constant([0.53])
quant_val(current_input)

这能够返回具有单个值的张量的正确答案，但我不确定如何将其外推到更大的图像张量结构。任何帮助都将不胜感激！谢谢你们，仁慈的智者们。

Answer 1

圆周方法：

这非常简单，但是一些.5值是向上舍入的，其他值是向下舍入的。如果这不是问题：

def quant_val(images): #0 to 1

    images = (images - 0.05) * 10            #-0.5 to 9.5
    bins = tf.round(images)                  #0 to 9
    bins = tf.clip_by_value(bins, 0, 9)      #possible -1 and 10 due to the remark on top
    return (bins/10) + 0.05                  #0.05 to 0.95