写在前面
许久没有登录我的简书了，或许忙只是给自己的借口，内心浮躁，不愿坐下来静下心写点东西才是真正的原因。写作是个该坚持的好习惯，一方面能记录下一些当时的心情想法，一方面也是在锻炼自己的表达能力。善于抒发，会懂得表达在如今其实对个人而言是个很大的加分项。或者说， 起码是我希望自己能够提升的一种能力。
目前我正处于硕士生涯的毕业设计阶段，也正在筹备即将来临的求职季。这个文集也是我在目前这个阶段的记录总结。如果你恰好碰到和我一样或者类似的问题，希望能对你有所帮助。
问题描述
我做的项目与深度学习相关，我选用了Tensorflow作为主要的工具。对于图像文件，为了便于移动以及读取为tf.data.Dataset使用，我想做的预处理便是将图像先转存为TFRecord文件，之后再通过读取TFRecord得到tf.data.Dataset。
这样选择的理由就不在此详细展开，可参考以下几篇文章：
由于Tensorflow目前仅有对bmp，gif，jpeg以及png四种图片的类型的decode方法，对于tif格式的图片文件并不支持，我在写完运行良好的预处理的代码后，不得不又为此修改了一番。接下来我分别描述修改前后的过程，并点出我需要如何改动才能使tif格式的图片也能被良好地预处理。
Figure 1 ref:/api_docs/python/tf/io/decode_image
预处理1.0版
Pipeline 1.0
起初，我在使用的数据集皆为png格式的图片，Tensorflow包含了相应的decode方法。于是，在tf.read_file和tf.image.decode_png的启发下，我选用了如上图所述的预处理方式：首先将所有的图像文件读取为一个tf.data.Dataset，再存为TFRecord文件。在最终需要训练时再重新将TFRecord文件读取成当初的tf.data.Dataset。这个方法对我所使用的png图片数据而言运行良好。在完成并调试这部分代码的同时，我也通过对其中数次的格式转换的学习，加深了对Tensorflow这部分代码的理解。
[ToThink: 是否需要将其中的细节展开叙述呢？]
碰到问题后的反思
一切顺风顺水，在成功得到了一些测试结果后，我找到了第二个数据集，来进一步检验所使用的方法。不幸的事情发生了，第二个数据集为tif格式的图片，先前写好的预处理方法会报错。进行简单的检索后我发现，已有很多人被同样的问题困扰，在时便有人在Tensorflow的Github上提出了这一点。但直至现在，还没有人为此做出贡献。
ref:/tensorflow/tensorflow/issues/12997
既然原有的方式不能对tif图片进行预处理，不破不立，我只能推倒重来，尝试用其他的方式在完成这一功能。于是我更仔细地查找资料，阅读源码和自己写的代码，看看能不能找到一个突破口。
首先，我思考的问题是png图片与tif图片究竟有什么不同。png与tif是两种不同的图片格式，具体的区别可以查看以下的这篇文章。
What's the Difference Between PNG, JPEG, GIF, and TIFF?
其中关键的区别是，tif图片并不一定是三通道的图片文件，很可能含有更多的通道。但png，jpeg，bmp等格式的图片，都是单通道(灰度图片)或者三通道(RGB)的图片文件。简单来说，tif图片的通道数的可能很多，并且不同通道中的数值代表的意义也有很大的不同，不仅仅是颜色数值这么简单。或许这就是为何tif图片的decode迟迟没人完成的原因吧。
幸运的是，我所要使用的这个数据集的所有tif图片，都是三通道(RGB)的。从图片数据角度而言，前后两个数据集没有任何区别。于是我返回去查看预处理1.0的代码，重点放在了数据格式的转换上。有了如下的发现：
经tf.read_file函数读取后的返回的类型为A Tensor of type string，是一个Tensor。而如图一所示，Tensorflow中decode_img进行的处理是“ performs the appropriate operation to convert the input bytes string into a Tensor of type dtype.” ，返回类型依然是一个Tensor。但最终转存为TFRecord文件中的确实是转化成字符串的图片文件。
#代码片段
#tf.data.Dataset -> TFRecord
img_data = img.tobytes()
mask_data = mask.tobytes()
#print(type(img_data))
example=tf.train.Example(features=tf.train.Features(
feature={
'shape': tf.train.Feature(int64_list =
tf.train.Int64List(value=[img.size[0],
img.size[1],len(img.getbands())])),
'img_data':tf.train.Feature(bytes_list =
tf.train.BytesList(value=[img_data])),
'mask_data':tf.train.Feature(bytes_list =
tf.train.BytesList(value=[mask_data]))
}))
既然最终需要的是转化为字符串的图片文件，那么中间变成Tensor的几步操作，是可以用其他方式替代的。图片本质而言就是矩阵，对于所有的三通道RGB图片，可将他们直接转化为矩阵先进行一系列预处理操作(如改变大小，旋转，调色)，之后再转存为TFRecord文件就可以了。我先前的一个观念是，只有将tf.data.Dataset变成TFRecord，才能再后面从TFRecord变成TFRecordtf.data.Dataset。但在测试后发现，只要有了TFRecord，就能轻易的读取为tf.data.Dataset，不管TFRecord是如何得到的。
预处理2.0版
经过修改，2.0版本的预处理方式便实现出来了。代码链接
Pipeline 2.0
在读取图片时，我选用的库为Pillow，主要原因为其读取tif图片的表现较好。但可能会碰到如下的报错信息：
Hide "TIFFSetField: tempfile.tif: Unknown pseudo-tag 65538."
总结
本文总结并介绍了在Tensorflow下预处理tif图像的一种方式。在至今Tensorflow仍没给出tif的decode函数的情况下，我们可以选用先直接将图像转化成矩阵，经预处理后再转存为TFRecord的方式进行预处理。
从这个过程中，我不得不深入的去思考整个格式转换的的过程。在我看来，最重要的一点，便是看清楚最终转换的目标结果，通过结果再思考选用的方式和流程。
