Python批处理计算机视觉实验：图像切割与信息记录

在计算机视觉期末项目的Part21中，学生需要进行一项针对100张图像的批量处理任务。这个部分主要分为两个步骤：图片预处理和图像识别与切割。 首先，学生利用C++的`opendir`和`readdir`函数对存放100张图片的文件夹（`./testSet/bmp`）进行遍历。在遍历过程中，他们创建了子文件夹来存储切割后的数字图片，并记录每张图片的名称及其关键点信息（如角点）到一个名为`txt`的文本文件中。这样做是为了便于后续在Python中读取并可能整合到Excel中。文本文件的路径设置为`./testSet/imagetxt/`，并将图片名通过字符串操作简化，例如将`.jpg`后缀替换为`.txt`。 其次，这部分涉及使用Python和TensorFlow对每个子文件夹中的图片进行进一步处理。在这个阶段，需要注意的是TensorFlow的一个常见问题，即在一个进程中多次导入同一模型的检查点（`ckpt`）可能导致错误。因此，为了确保代码的正确性，学生在每次调用处理函数前清空了与图像相关的全局变量或图（graph）内的所有信息，避免内存冲突。 具体的操作是，使用`CImg`库加载图片，然后应用图像分割（`ImageSegmentation`）技术对图片进行处理。处理后的结果被保存到指定的输出路径`./testSet/imageoutput/`，并以原始图片名的某种形式命名，例如`image15331178.jpg`会被保存为`image15331178.jpg`。同时，将处理过程的输出信息（如可能的角点信息）写入对应文本文件，以便后续分析。 在主程序部分，学生还提到了一个待办事项，即执行某个特定的命令行操作，这可能是对`imageoutput`文件夹下某张图片（如`image15331178`）的输出文件（`.t`文件）进行进一步处理或查看。 这个项目涉及到了计算机视觉中的基础图像处理技术，包括文件系统操作、图像加载、预处理以及使用Python进行批量处理。同时，也展示了在实际项目中如何处理TensorFlow中的潜在问题，以确保代码的稳定性和性能。