


Bagaimana dengan Cekap Menukar Imej PIL kepada Tatasusunan NumPy untuk Transformasi Piksel?
Menukar Imej PIL kepada Tatasusunan NumPy untuk Transformasi Piksel yang Cekap
Apabila bekerja dengan tugas pemprosesan imej, selalunya wajar untuk menukar PIL ( Python Imaging Library) ke dalam tatasusunan NumPy untuk transformasi mengikut piksel yang lebih pantas. Penukaran ini membolehkan manipulasi data imej yang cekap, membolehkan operasi imej yang lebih kompleks dan dioptimumkan masa.
Untuk menukar imej PIL kepada tatasusunan NumPy, seseorang boleh menggunakan coretan kod berikut:
pic = Image.open("foo.jpg") pix = numpy.array(pic.getdata()).reshape(pic.size[0], pic.size[1], 3)
Kod ini membaca data imej daripada imej PIL dan membentuknya semula menjadi tatasusunan NumPy 3 dimensi, di mana setiap dimensi mewakili ketinggian, lebar dan saluran imej (cth. RGB).
Untuk menukar tatasusunan NumPy kembali ke dalam imej PIL selepas melakukan transformasi yang diingini, kod berikut boleh digunakan:
new_pic = Image.fromarray(modified_pix)
Walau bagaimanapun, kaedah ini tidak membenarkan pengubahsuaian langsung imej PIL asal menggunakan tatasusunan NumPy yang diubah suai .
Sebelum PIL versi 1.1.6, mengubah suai imej PIL asal diperlukan menukar tatasusunan NumPy kepada senarai tupel:
data = list(tuple(pixel) for pixel in modified_pix) pic.putdata(data)
Walau bagaimanapun, pendekatan ini boleh menjadi perlahan dan tidak cekap.
Dalam PIL versi 1.1.6 dan ke atas, kaedah pilihan untuk menukar antara imej PIL dan tatasusunan NumPy ialah:
pix = numpy.array(pic)
Arahan ini menghasilkan tatasusunan NumPy 3 dimensi dengan baris, lajur , dan saluran RGB sebagai dimensinya.
Selepas melakukan transformasi piksel, tatasusunan yang dikemas kini boleh ditukar kembali kepada imej PIL menggunakan:
new_pic = Image.fromarray(modified_pix)
Sebagai alternatif, seseorang boleh mengubah suai PIL asal imej menggunakan tatasusunan NumPy yang diubah suai dengan:
pic.putdata(modified_pix)
Atas ialah kandungan terperinci Bagaimana dengan Cekap Menukar Imej PIL kepada Tatasusunan NumPy untuk Transformasi Piksel?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas











Python lebih mudah dipelajari dan digunakan, manakala C lebih kuat tetapi kompleks. 1. Sintaks Python adalah ringkas dan sesuai untuk pemula. Penaipan dinamik dan pengurusan memori automatik menjadikannya mudah digunakan, tetapi boleh menyebabkan kesilapan runtime. 2.C menyediakan kawalan peringkat rendah dan ciri-ciri canggih, sesuai untuk aplikasi berprestasi tinggi, tetapi mempunyai ambang pembelajaran yang tinggi dan memerlukan memori manual dan pengurusan keselamatan jenis.

Untuk memaksimumkan kecekapan pembelajaran Python dalam masa yang terhad, anda boleh menggunakan modul, masa, dan modul Python. 1. Modul DateTime digunakan untuk merakam dan merancang masa pembelajaran. 2. Modul Masa membantu menetapkan kajian dan masa rehat. 3. Modul Jadual secara automatik mengatur tugas pembelajaran mingguan.

Python lebih baik daripada C dalam kecekapan pembangunan, tetapi C lebih tinggi dalam prestasi pelaksanaan. 1. Sintaks ringkas Python dan perpustakaan yang kaya meningkatkan kecekapan pembangunan. 2. Ciri-ciri jenis kompilasi dan kawalan perkakasan meningkatkan prestasi pelaksanaan. Apabila membuat pilihan, anda perlu menimbang kelajuan pembangunan dan kecekapan pelaksanaan berdasarkan keperluan projek.

Adakah cukup untuk belajar Python selama dua jam sehari? Ia bergantung pada matlamat dan kaedah pembelajaran anda. 1) Membangunkan pelan pembelajaran yang jelas, 2) Pilih sumber dan kaedah pembelajaran yang sesuai, 3) mengamalkan dan mengkaji semula dan menyatukan amalan tangan dan mengkaji semula dan menyatukan, dan anda secara beransur-ansur boleh menguasai pengetahuan asas dan fungsi lanjutan Python dalam tempoh ini.

Python dan C masing -masing mempunyai kelebihan sendiri, dan pilihannya harus berdasarkan keperluan projek. 1) Python sesuai untuk pembangunan pesat dan pemprosesan data kerana sintaks ringkas dan menaip dinamik. 2) C sesuai untuk prestasi tinggi dan pengaturcaraan sistem kerana menaip statik dan pengurusan memori manual.

Pythonlistsarepartofthestandardlibrary, sementara

Python cemerlang dalam automasi, skrip, dan pengurusan tugas. 1) Automasi: Sandaran fail direalisasikan melalui perpustakaan standard seperti OS dan Shutil. 2) Penulisan Skrip: Gunakan Perpustakaan Psutil untuk memantau sumber sistem. 3) Pengurusan Tugas: Gunakan perpustakaan jadual untuk menjadualkan tugas. Kemudahan penggunaan Python dan sokongan perpustakaan yang kaya menjadikannya alat pilihan di kawasan ini.

Aplikasi Python dalam pengkomputeran saintifik termasuk analisis data, pembelajaran mesin, simulasi berangka dan visualisasi. 1.Numpy menyediakan susunan pelbagai dimensi yang cekap dan fungsi matematik. 2. Scipy memanjangkan fungsi numpy dan menyediakan pengoptimuman dan alat algebra linear. 3. Pandas digunakan untuk pemprosesan dan analisis data. 4.Matplotlib digunakan untuk menghasilkan pelbagai graf dan hasil visual.
