App下載

SciPy中兩個模塊:io 和misc的使用介紹

猿友 2021-07-30 11:27:43 瀏覽數(shù) (3084)
反饋

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)。

SciPy數(shù)據(jù)讀寫和SciPy圖像處理

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


0 人點贊