#coding=utf-8 
       
import os
import caffe 
import numpy as np 
root='/home/liuyun/caffe/'   #根目錄 
deploy=root + 'examples/DR_grade/deploy.prototxt'    #deploy檔案 
caffe_model=root + 'models/DR/model1/DRnet_iter_40000.caffemodel'  #訓練好的 caffemodel 
 
 
import os
dir = root+'examples/DR_grade/test_512/'
filelist=
 
[]
filenames = os.listdir(dir)
for fn in filenames:
   fullfilename = os.path.join(dir,fn)
   filelist.append(fullfilename)
 
 
# img=root+'data/DRIVE/test/60337.jpg'   #隨機找的一張待測圖片 
 
def Test(img):
      
    net = caffe.Net(deploy,caffe_model,caffe.TEST)   #載入model和network 
       
    #圖片預處理設定 
    #設定圖片的shape格式(1,3,28,28) 
 

    transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})  
    #改變維度的順序，由原始圖片(28,28,3)變為(3,28,28) 
    transformer.set_transpose('data', (2,0,1))    
    #transformer.set_mean('data', np.load(mean_file).mean(1).mean(1))    
    #減去均值，前面訓練模型時沒有減均值，這兒就不用 
    transformer.set_raw_scale(
 
'data', 255)    # 縮放到【0，255】之間 
    transformer.set_channel_swap('data', (2,1,0))   #交換通道，將圖片由RGB變為BGR 
    
    #載入圖片    
    im=caffe.io.load_image(img)
     #執行上面設定的圖片預處理操作，並將圖片載入到blob中                    
    net.blobs['data'].data[...] = transformer.preprocess('data',im)      
       
    #執行測試 
    out = net.forward() 
    
    #讀取類別名稱檔案    
    labels = np.loadtxt(labels_filename, str, delimiter='\t')   
    #取出最後一層（prob）屬於某個類別的概率值，並列印,'prob'為最後一層的名稱
    prob= net.blobs['prob'].data[0].flatten() 
    print prob 
    order=prob.argsort()[4]  #將概率值排序，取出最大值所在的序號 ,9指的是分為0-9十類 
    #argsort()函式是從小到大排列 
    print 'the class is:',labels[order]   #將該序號轉換成對應的類別名稱，並列印 
    f=file("/home/liuyun/caffe/examples/DR_grade/label.txt","a+")
    f.writelines(img+' '+labels[order]+'\n')
 
labels_filename = root +'examples/DR_grade/DR.txt'    #類別名稱檔案，將數字標籤轉換回類別名稱 
 
for i in range(0, len(filelist)):
    img= filelist[i]
    Test(img)