Le contenu de cet article est une brève introduction aux méthodes de lecture et d'écriture d'images de diverses bibliothèques d'images en Python (avec code). J'espère qu'il a une certaine valeur de référence. vous aidera.
Il existe actuellement plusieurs bibliothèques d'images grand public :
1 OpenCV 2. 3. matplotlib.image : Parmi les bibliothèques d'images ci-dessus, OpenCV est sans aucun doute la plus puissante et la plus mature. 1.1 Lecture et stockage d'images OpenCV
1.2Traitement du grisage d'images OpenCV1.3 Transformation de format de matrice OpenCV
🎜>Pourquoi ? :Format de la matrice OpenCV (hauteur, largeur, canaux) -->> Le type de matrice d'apprentissage en profondeur peut être (canaux, hauteur, largeur)
import cv2 #读取图像 直接是numpy矩阵格式 img = cv2.imread('horse.jpg',1) # 0表示读入灰色图片,1表示读入彩色图片 cv2.imshow('image',img) # 显示图像 print(img.shape) # (height,width,channel) print(img.size) # 像素数量 print(img.dtype) # 数据类型 print(img) # 打印图像的numpy数组,3纬数组 #储存图像 # 当前目录储存 cv2.write(‘horse1.jpg',img) # 自定义储存 cv2.write(‘/path_name/’ + str(image_name) + '.jpg',img) cv2.waitKey()
import cv2 #方法一 img = cv2.imread('horse.jpg',0) # 0表示读入灰色图片,或者使用cv2.IMREAD_GRATSCALE 替代0 cv2.imshow('gray image',img) #方法二 img = cv2.imread('horse.jpg') gray_img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) cv2.imshow('gray image',gray_img) print(gray_img.shape) # (height, width) print(gray_img.size) # 像素数量 print(gray_img) # 打印图像的numpy数组,2维 cv2.waitKey()
import cv2 import numpy as np img = cv2.imread('horse.jpg',1) cv2.imshow('image',img) # 矩阵格式的变换 print(img.shape) img = img.transpose(2,0,1) #变换函数 print(img.shape)
# 矩阵扩展 (batch_size, channels, height, width) 预测单张图片的操作 # 加一列作为图片的个数 img = np.expand_dims(img, axis=0) #使用numpy函数 print(img.shape)
# 训练阶段构建batchdata_lst = [] loop: img = cv2.imread('xxx.jpg') data_lst.append(img) data_arr = np.array(data_lst)
1.7 Découpage de la région d'intérêt OpenCV Cut (ROI)
import cv2 # 为了减少计算量,需要把像素值0-255转换到0-1之间 img = cv2.imread('horse.jpg') img = img.astype('float') / 255.0 # 先转化数据类型为float print(img.dtype) print(img)
2.1 Lecture et stockage d'images PIL
import cv2 img = cv2.imread('horse.jpg') img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB) # 转为RGB format print(img)
2.2 Traitement du grisage des images PIL
import cv2 img = cv2.imread('horse.jpg') gray_img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) # 转为Gray image print(img[4,4]) # 3 channels print(gray_img[4,4]) # 1 channel
import cv2 img = cv2.imread('horse.jpg') print(img.shape) roi = img[0:437,0:400] # [y:height,x:width] cv2.imshow('roi',roi) cv2.waitKey()
from PIL import Image import numpy as np #图像读取 img = Image.open('horse.jpg') print(img.format) # 图片格式 print(img.size) # (width,height) print(img.mode) # 图片通道类型 #将图像转化为矩阵格式 arr = np.array(img) print(arr.shape) print(arr.dtype) #图像储存 new_img = Image.fromarray(arr) new_img.save('test.jpg') img.show()
3.1 Lecture et stockage des images Matplotlib
#图像灰化处理 gray = Image.open('horse.jpg').convert('L') gray_arr = np.array(gray) print(gray_arr.shape) # (height,width) print(gray_arr.dtype) print(gray_arr) gray.show()
3.2 Traitement du grisage des images Matplotlib
# 感兴趣区域剪切 img = Image.open('horse.jpg') roi = img.crop((0,0,200,200)) # (左上x,左上y,右下x,右下y) roi.show()
4.1 skimage lit et stocke les images
# 通道处理 r,g,b = img.split() #分离 img = Image.merge("RGB",(b,g,r)) #合并 img = img.copy() #复制
4.2 traitement du grisonnement de skimage
import matplotlib.pyplot as plt import numpy as np # 图像读取为numpy数组格式 img = plt.imread('horse.jpg') plt.axis('off') # 关闭刻度显示 print(img.shape) # (height, width, channel) print(img.size) # 像素数量 print(img.dtype) #储存图片 plt.savefig('./name.jpg') figure = plt.figure(figsize=(20,10)) # 调整显示图片的大小 plt.imshow(img) plt.show()
5.1 scipy.misc lit et stocke les images
#图片灰化处理 # 平均值发 img_mean = img.mean(axis=2) plt.imshow(img_mean,cmap='gray') plt.show() #最大值法 img_max = img.max(axis=-1) plt.imshow(img_max,cmap='gray') plt.show() #RGB三原色法 gravity = np.array([0.299,0.587,0.114]) img_gravity = np.dot(img,gravity) plt.imshow(img_gravity,cmap="gray") plt.show()
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!