免費AI編程助手
SciPy庫是一個著名的python的開源科學庫，通過操作NumPy數(shù)據(jù)來進行科學計算和統(tǒng)計分析。這個庫有很多的功能，今天小編就介紹一下SciPy數(shù)據(jù)讀寫和SciPy圖像處理這兩個功能。
1、讀寫.mat文件
如果你有一些數(shù)據(jù)，或者在網(wǎng)上下載到一些有趣的數(shù)據(jù)集，這些數(shù)據(jù)以Matlab的.mat 文件格式存儲，那么可以使用scipy.io 模塊進行讀取。
data = scipy.io.loadmat('test.mat') 上面代碼中，data 對象包含一個字典，字典中的鍵對應于保存在原始.mat 文件中的變量名。由于這些變量是數(shù)組格式的，因此可以很方便地保存到.mat 文件中。
你僅需創(chuàng)建一個字典（其中要包含你想要保存的所有變量），然后使用savemat() 函數(shù)：
data = {}
data['x'] = x
scipy.io.savemat('test.mat',data) 因為上面的腳本保存的是數(shù)組x，所以當讀入到Matlab 中時，變量的名字仍為x。
2、以圖像形式保存數(shù)組
因為我們需要對圖像進行操作，并且需要使用數(shù)組對象來做運算，所以將數(shù)組直接保存為圖像文件1 非常有用。本書中的很多圖像都是這樣的創(chuàng)建的。
imsave() 函數(shù)可以從scipy.misc 模塊中載入。要將數(shù)組im 保存到文件中，可以使用下面的命令：
from scipy.misc import imsave
imsave('test.jpg',im) scipy.misc 模塊同樣包含了著名的Lena 測試圖像：
lena = scipy.misc.lena() 該腳本返回一個512×512 的灰度圖像數(shù)組。
補充：圖像預處理的幾個模塊:PIL、scipy.misc、OpenCV、TensorFlow
1、PIL庫
Python Imaging Library (PIL)是PythonWare公司提供的免費的圖像處理工具包,是python下的圖像處理模塊,支持多種格式,并提供強大的圖形與圖像處理功能。
雖然在這個軟件包上要實現(xiàn)類似MATLAB中的復雜的圖像處理算法并不太適合,但是Python的快速開發(fā)能力以及面向對象等等諸多特點使得它非常適合用來進行原型開發(fā)。
對于簡單的圖像處理或者大批量的簡單圖像處理任務,python+PIL是很好的選擇。
from PIL import Image,ImageEnhance #調用庫
im = Image.open("E:/testdata/01.jpg") #打開圖片
print (im.format, im.size, im.mode) #打印圖像信息
'''
format:圖像屬性，如png，jpeg
size：圖像分辨率
mode：
1 1位像素，黑和白，存成8位的像素
L 8位像素，黑白
P 8位像素，使用調色板映射到任何其他模式
RGB 3× 8位像素，真彩
RGBA 4×8位像素，真彩+透明通道
CMYK 4×8位像素，顏色隔離
YCbCr 3×8位像素，彩色視頻格式
I 32位整型像素
F 32位浮點型像素
'''
new_im = im.convert('L') # 將圖像轉為其它模式
new_im.save("E:/testdata/02.png") # 保存圖像，可以改變圖像格式
box = (0, 0, 500, 500) # 確定拷貝區(qū)域大小(左上角坐標，右下角坐標)
region = im.crop(box) # 將im表示的圖片對象拷貝到region中，大小為box
region = im.resize((400, 400),Image.ANTIALIAS) # 改變圖像尺寸
'''
函數(shù)原型：im.resize(size, filter):
size：所要求的尺寸，是一個二元組：（width, height）
filter：為NEAREST、BILINEAR、BICUBIC或者ANTIALIAS之一
'''
im_30 = im.rotate(30, Image.NEAREST,1) # 圖像逆時針旋轉30度
'''
函數(shù)原型：im.rotate(angle,filter=NEAREST, expand=0) ? image
angle：逆時針旋轉的角度值
filter：NEAREST、BILINEAR或者BICUBIC之一
expand，如果為true，表示輸出圖像足夠大，可以裝載旋轉后的圖像。
如果為false或者缺省，則輸出圖像與輸入圖像尺寸一樣大。
'''
r,g,b=im.split() # 分割成三個通道，此時r,g,b分別為三個圖像對象。
new_im=Image.merge("RGB",(r,g,b)) # 將r,g,b,三通道合并
example = np.random.randint(0,255,size=(300,300,3)) # numpy數(shù)組
new_img = Image.fromarray(example, 'RGB') # 將numpy的narray轉為Image類，第二個參數(shù)為mode
new_im.show() # 顯示圖像
# ---------將索引圖變成彩色圖-------------------
cmap = [np.random.randint(0, 255) for x in range(768)] # 生成色彩隱射圖，大小需要為256*3=768
img = img.convert('P') # 轉換為P模式
img.putpalette(cmap) # 給索引圖著色
img.show() # 顯示圖像
#----------圖像增強-----------------------
# 增強亮度
enhanceImg = ImageEnhance.Brightness(img)
# 圖片尖銳化
enhanceImg = ImageEnhance.Sharpness(img)
# 對比度增強
enhanceImg = ImageEnhance.Contrast(img)
# 色彩增強
enhanceImg = ImageEnhance.Color(img)
enhanceImg.enhance(2.0).show() # 2.0表示增強兩倍，1.0表示不增強。
注意：Image只接收uint8類型的數(shù)據(jù)，如果傳入float32類型的數(shù)據(jù)就會出錯。
2、scipy.misc
python在科學計算領域有三個非常受歡迎庫，numpy、SciPy、matplotlib。
numpy是一個高性能的多維數(shù)組的計算庫，SciPy是構建在numpy的基礎之上的，它提供了許多的操作numpy的數(shù)組的函數(shù)。SciPy是一款方便、易于使用、專為科學和工程設計的python工具包，它包括了統(tǒng)計、優(yōu)化、整合以及線性代數(shù)模塊、傅里葉變換、信號和圖像圖例，常微分方差的求解等。
下面就簡單的介紹一下SciPy在圖像處理方面的應用，如果專業(yè)做圖像處理當然還是建議使用opencv。
from scipy.misc import imread,imsave,imresize
import scipy.io
img = imread("E:/testdata/01.jpg") # 讀取圖像
print (img) # numpy 數(shù)組
img_type = img.dtype # 獲取圖片的數(shù)據(jù)類型
print(img_type) # uint8
img_shape = img.shape # 獲取圖片的大小
print(img_shape) # (310, 493, 3)
newimg=imresize(img,(100,100)) # 圖像裁剪
'''
函數(shù)原型：imresize(arr, size, interp='bilinear', mode=None)
arr：ndarray類型的圖像
size：裁剪后的尺寸，是一個元組
interp ： 插值方法，為‘nearest', ‘lanczos', ‘bilinear', ‘bicubic' or ‘cubic'
mode：PIL中的圖像模式 (‘P', ‘L'等等)，在resize之前先轉換模式
'''
imsave("timg_color.png",newimg) # 保存圖片
# ------------使用scipy加載.mat文件-------------
data = scipy.io.loadmat('Data.mat')
print (data) # 一般data為一個字典類型的數(shù)據(jù)3、OpenCV
OpenCV是一個開放源代碼的計算機視覺應用平臺，由英特爾公司下屬研發(fā)中心俄羅斯團隊發(fā)起該項目，開源BSD證書，OpenCV的目標是實現(xiàn)實時計算機視覺，，是一個跨平臺的計算機視覺庫。從開發(fā)之日起就得到了迅猛發(fā)展，獲得了眾多公司和業(yè)界大牛的鼎力支持與貢獻，因為是BSD開源許可，因此可以免費應用在科研和商業(yè)應用領域。
OpenCV中已經(jīng)包含如下應用領域功能：二維和三維特征工具箱、運動估算、人臉識別系統(tǒng)、姿勢識別、人機交互、移動機器人、運動理解、對象鑒別、分割與識別、立體視覺、運動跟蹤、增強現(xiàn)實（AR技術）?；谏鲜龉δ軐崿F(xiàn)需要，OpenCV中還包括以下基于統(tǒng)計學機器學習庫：Boosting算法、Decision Tree(決策樹)學習、Gradient Boosting算法、EM算法(期望最大化)、KNN算法、樸素貝葉斯分類、人工神經(jīng)網(wǎng)絡、隨機森林、支掌向量機。
編程語言：OpenCV中多數(shù)模塊是基于C++實現(xiàn)，其中有少部分是基于C語言實現(xiàn)，當前OpenCV提供的SDK已經(jīng)支持C++、Java、Python等語言應用開發(fā)。當前OpenCV本身新開發(fā)的算法和模塊接口都是基于C++產(chǎn)生。OpenCV-Python使用Numpy，這是一個高度優(yōu)化的數(shù)據(jù)庫操作庫，具有MATLAB風格的語法。所有OpenCV數(shù)組結構都轉換為Numpy數(shù)組。這也使得與使用Numpy的其他庫（如SciPy和Matplotlib）集成更容易。接下來介紹OpenCV的核心操作：
import cv2
img = cv2.imread('E:/testdata/01.jpg') # 讀取圖像
print( img.shape )
print (img)
b,g,r = cv2.split(img) # 拆分圖像通道
img = cv2.merge((b,g,r)) # 合并圖像通道
res=cv2.resize(img,(50,50),interpolation=cv2.INTER_CUBIC) # 圖像縮放
'''
INTER_NEAREST 最近鄰插值
INTER_LINEAR 雙線性插值（默認設置）
INTER_AREA 使用像素區(qū)域關系進行重采樣。 它可能是圖像抽取的首選方法，因為它會產(chǎn)生無云紋理的結果。 但是當圖像縮放時，它類似于INTER_NEAREST方法。
INTER_CUBIC 4x4像素鄰域的雙三次插值
INTER_LANCZOS4 8x8像素鄰域的Lanczos插值
'''
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 轉換讀取圖像的通道順序，cv2默認為BGR順序,這里轉為RGB，其它軟件均為RGB
cv2.imwrite("hehe.jpg",res) # 保存圖像
cv2.imshow("res",res) # 顯示圖像
cv2.waitKey(0)
cv2.destroyAllWindows()注意：cv2默認為 BGR順序，而其他軟件（PIL、scopy.misc）一般使用RGB，所以當cv2和其它混用時需要用cv2.cvtColor()轉換通道
4、tf.image模塊
（1）編解碼（編解碼中處理的數(shù)據(jù)類型均為tf.uint8）：
tf.image.decode_jpeg(contents, channels=None, ratio=None, fancy_upscaling=None, try_recover_truncated=None, acceptable_fraction=None, name=None)
tf.image.encode_jpeg(image, format=None, quality=None, progressive=None, optimize_size=None, chroma_downsampling=None, density_unit=None, x_density=None, y_density=None, xmp_metadata=None, name=None)
tf.image.decode_png(contents, channels=None, name=None)
tf.image.encode_png(image, compression=None, name=None)（2）縮放（第一個函數(shù)和后面四個等價，這幾個函數(shù)接受任意的數(shù)據(jù)類型，但是輸出的類型為tf.float32）：
tf.image.resize_images(images, new_height, new_width, method=0)
tf.image.resize_area(images, size, name=None)
tf.image.resize_bicubic(images, size, name=None)
tf.image.resize_bilinear(images, size, name=None)
tf.image.resize_nearest_neighbor(images, size, name=None)（3）裁剪：
tf.image.resize_image_with_crop_or_pad(image, target_height, target_width)
tf.image.pad_to_bounding_box(image, offset_height, offset_width, target_height, target_width)
tf.image.crop_to_bounding_box(image, offset_height, offset_width, target_height, target_width)
tf.image.random_crop(image, size, seed=None, name=None)
tf.image.extract_glimpse(input, size, offsets, centered=None, normalized=None, uniform_noise=None, name=None)（4）翻轉：
tf.image.flip_up_down(image)
tf.image.random_flip_up_down(image, seed=None)
tf.image.flip_left_right(image)
tf.image.random_flip_left_right(image, seed=None)
#coding=utf-8
import tensorflow as tf
import numpy as np
import os
from PIL import Image
# 從文件讀取數(shù)據(jù)，得到的是二進制文件
image_data = tf.gfile.FastGFile("D:/test/2.jpg", 'rb').read()
with tf.Session() as sess:
# 將二進制數(shù)據(jù)解碼為一個Tensor,此時的數(shù)據(jù)類型為tf.uint8
img_data = tf.image.decode_jpeg(image_data)
print (img_data.eval().shape)
# 對圖像進行resize，0：雙線性差值。1：最近鄰居法。2：雙三次插值法。3：面積插值法。
resized = tf.image.resize_images(img_data, [500, 500], method=0)
# TensorFlow的函數(shù)處理圖片后存儲的數(shù)據(jù)是float32格式的，需要轉換成uint8才能正確打印圖片。
resized = np.asarray(resized.eval(), dtype='uint8')
# 顯示圖片
new_img = Image.fromarray(resized, 'RGB')
new_img.show()
# 對圖像進行編碼,并且保存圖像
encoded_image = tf.image.encode_jpeg(resized)
print (type(encoded_image))
with tf.gfile.GFile("./3.jpg","wb") as f:
f.write(encoded_image.eval()) （5）轉換圖像的數(shù)據(jù)類型：
tf.image.convert_image_dtype(image，dtype)如果傳入的數(shù)據(jù)類型為uint8，該函數(shù)可以將0-255的uint8類型的像素值歸一化為0-1。如果傳入的數(shù)據(jù)類型為tf.float32，則該函數(shù)對圖像不做任何處理。如果傳入的數(shù)據(jù)類型為tf.int32，則處理后會變成極小的小數(shù)。
到此這篇SciPy數(shù)據(jù)讀寫和SciPy圖像處理的介紹就到這了,更多Python打包exe的教程請關注W3Cschool
