＜目次＞
(１) Pythonで画像をcsvに変換する方法について
(１-０) やりたいこと
(１-１) STEP1：前提（Kerasにおける画像データの取り扱い形式）
(１-２) STEP2：変換プログラム
(１-３) STEP3：csv変換
(１) Pythonで画像をcsvに変換する方法について
(１-０) やりたいこと
・PNGやJPGの画像データを、kerasで扱う形式（Pixel値の行列）に変換したい。
・PNGやJPGの画像データから、kerasで扱う正解データを作成したい。
課題となるのは、バイナリデータをどのようにして28×28などのピクセルに変換するか？といった部分です。
（図１３１）
(１-１) STEP1：前提（Kerasにおける画像データの取り扱い形式）
kerasのmodel.fitに入れるXとYはどのようなデータか？について、前提を確認しておきます。
元データ
・MNISTのデータは「784pixel＋1正解値＝785値」×70000行分ある。
抽出データ
fetch_openmlがXYに分解してくれるが、分解後のデータは下記のようになる。
X：(70000枚, 784ピクセル)
Y：(70000枚,)
参考
画像データ全体（70000枚）
mnist_X.shape : (70000, 784)
正解データ全体（70000個）
mnist_y.shape : (70000,)
画像データ1枚
mnist_X[0].shape : (784,) = (28×28,)
↓画像1枚のデータ
[ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 3. 18. 18. 18. 126. 136. 175. 26. 166. 255. 247. 127. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 30. 36. 94. 154. 170. 253. 253. 253. 253. 253. 225. 172. 253. 242. 195. 64. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 49. 238. 253. 253. 253. 253. 253. 253. 253. 253. 251. 93. 82. 82. 56. 39. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 18. 219. 253. 253. 253. 253. 253. 198. 182. 247. 241. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 80. 156. 107. 253. 253. 205. 11. 0. 43. 154. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 14. 1. 154. 253. 90. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 139. 253. 190. 2. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 11. 190. 253. 70. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 35. 241. 225. 160. 108. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 81. 240. 253. 253. 119. 25. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 45. 186. 253. 253. 150. 27. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 16. 93. 252. 253. 187. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 249. 253. 249. 64. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 46. 130. 183. 253. 253. 207. 2. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 39. 148. 229. 253. 253. 253. 250. 182. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 24. 114. 221. 253. 253. 253. 253. 201. 78. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 23. 66. 213. 253. 253. 253. 253. 198. 81. 2. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 18. 171. 219. 253. 253. 253. 253. 195. 80. 9. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 55. 172. 226. 253. 253. 253. 253. 244. 133. 11. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 136. 253. 253. 253. 212. 135. 132. 16. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
(１-２) STEP2：変換プログラム
Kaggleのデータを、上記のようにKerasに渡せる形式に整形する。
(１-２-１)STEP2-1：前提事項の確認
（前提）
下記のように、jpgデータが階層的に配置されている。
kaggle_download_dataset
∟train
∟test1
（図１３１）
（サンプルプログラム）
# dogs-vs-catsのデータセットをロードし、リサイズして、新しいnpy形式で保存
from os import listdir
from numpy import asarray
from numpy import save
from keras.preprocessing.image import load_img
from keras.preprocessing.image import img_to_array
# データセットの格納場所を設定
folder = './kaggle_download_dataset/train/'
photos, labels = list(), list()
# ディレクトリ内のファイルをループ
for file in listdir(folder):
# 分類ラベルの決定
# デフォルトは0.0（cat）
output = 0.0
# 画像のファイル名がdogから始まる場合
if file.startswith('dog'):
# 分類は1.0（dog）にする
output = 1.0
# 画像の読込みとリサイズ
photo = load_img(folder + file, target_size=(200, 200))
# numpy配列への変換
photo = img_to_array(photo)
# 末尾に追加
photos.append(photo)
labels.append(output)
# numpy配列への変換
photos = asarray(photos)
labels = asarray(labels)
print(photos.shape, labels.shape)
# リサイズした画像データ（ピクセルのマトリクス）を保存
save('dogs_vs_cats_photos.npy', photos)
save('dogs_vs_cats_labels.npy', labels)
（図１３３）
（処理概要）
・入力データセットの全画像をループ
・64×64×3（RGB）＝12288ピクセルにリサイズ
・12288ピクセルを1つのリストに保持
・12288ピクセル＋分類の正解値をcsv出力（1行1画像）
(１-２-２)STEP2-2：処理結果チェック
結果として、npyファイルが２つ生成されます。
_photosは入力（X）データの配列群で、_labelsは正解データ（Y）の配列群です。
（図１３２）
(１-２-３)STEP2-3：出力結果のロード方法
出力したnpyデータは下記のようにロードできます。
# npyデータをロードして形状を確認
from numpy import load
photos = load('dogs_vs_cats_photos.npy')
labels = load('dogs_vs_cats_labels.npy')
print(photos.shape, labels.shape)
形状：(25000, 200, 200, 3) (25000,)
(１-３) STEP3：csv変換
.npyではなく.csvで保存したい場合はプログラムを次のように書き換えます。
・Before
from numpy import save
# リサイズした画像データ（ピクセルのマトリクス）を保存
save('dogs_vs_cats_photos.npy', photos)
save('dogs_vs_cats_labels.npy', labels)
↓
・After
from numpy import savetxt
# リサイズした画像データ（ピクセルのマトリクス）を保存
savetxt("dogs_vs_cats_photos"+str(photos.shape)+".csv", photos.flatten(), delimiter=",")
savetxt("dogs_vs_cats_labels.csv", labels, delimiter=",")
