Python从入门到放弃(6)-图像时序表格数据处理 - 个人主页

表格式数据处理

图片数据处理

常用的主要是opencv和PIL这两个库是,记录一下这两个库的常用方法和区别,从理论上说opencv相对较快
首先说opencv,opencv读取的数据是以numpy方式存储,我们可以使用numpy来操作数据

#img返回的是BGR的三通道
import cv2
import numpy as np
img=cv2.imread('/path',0)#参数0表示读取的是灰度图像 img是numpy类型的一般主要是uint8类型

#分离三个通道的数据
b = cv2.split(img)[0]
g = cv2.split(img)[1]
r = cv2.split(img)[2]

#图像缩放尺寸size_h 表示缩放后图像的横坐标
img=cv2.resize(img,(size_w,size_h),interpolation=cv2.INTER_CUBIC)

#保存图片
cv2.imwrite('./img.png',img)#和很多保存正好相反

#对图像进行选装仿射变化

rows,cols,channel=img.shape
M=np.float32([[1,0,50],[0,1,50]])  #只进行平移变化,移动可以取负值
dst=cv2.warpAffine(img,M,(rows,cols))

#第一个参数为旋转中心，第二个为旋转角度，第三个为旋转后的缩放因子相比于原始图像尺寸倍数mai
M=cv2.getRotationMatrix2D((cols/2,rows/2),45,1)
dst=cv2.warpAffine(img,M,(cols,rows))

#在图像画线,起点终点颜色和线粗细
cv2.line(img, (10,10), (100,100), (225, 0,0),1)

再说说PIL. PIL中最主要的是Image对象.这个对象包含了大部分的处理方法保存读取修改等.

#读取图像
img=Image.open('./path',mode).convert('L') #其中mode表示读取方式,有`'L'`表示灰度,`'RGB'`还有`1`表示二值读取

#将图像转化为numpy矩阵
import numpy as np
img_m=np.array(img)

#从矩阵转化为图像
img=Image.fromarray(img_m)
img.paste((256,256,0),(10,20,30,40))#在(10,20,30,40)区域内填充三个通道颜色

数据增强

图像数据集增强

图像镜像

def img_flip(image):
    # 0以X轴为对称轴翻转,>0以Y轴为对称轴翻转, <0X轴Y轴翻转
    horizontally = cv2.flip(image, 0)  # 水平镜像
    vertically = cv2.flip(image, 1)  # 垂直镜像
    hv = cv2.flip(image, -1)  # 水平垂直镜像

    # 显示图形
    cv2.imshow("Horizontally", horizontally)
    cv2.imshow("Vertically", vertically)
    cv2.imshow("Horizontally & Vertically", hv)

旋转

def img_rotation(image):
    # 原图的高、宽 以及通道数
    rows, cols, channel = image.shape

    # 绕图像的中心旋转
    # 参数：旋转中心 旋转度数 scale
    M = cv2.getRotationMatrix2D((cols / 2, rows / 2), 30, 1)
    # 参数：原始图像 旋转参数 元素图像宽高
    rotated = cv2.warpAffine(image, M, (cols, rows))

    # 显示图像
    cv2.imshow("rotated", rotated)
    

缩放数据

from PIL import Image
img2 = Image.open('../123f.png')
print("初始尺寸",img2.size)
img3=img2.resize((128,128))   #对图像尺寸进行缩放
print("Image.resize",img3.size)

img2.thumbnail((400,400))  #是同比例缩放。
print("默认缩放NEARESET",img2.size)
np.array(img2).shape  #WHC

时序数据处理

FEATURED TAGS

c语言 c++ 面向对象指针容器 python 函数数据结构回归损失函数神经网络机器学习似然函数极大似然标准化深度学习卷积网络参数估计 beta分布数据处理 gradio 模型工程化网页模型加速工具 c++实现变量占位符 tensorflow 线性回归学习tensorflow HMM RNN 强化学习 LSTM pandas 不定长序列损失 pytorch 目标检测 RPN 非极大值抑制 ROIpooling VGG16 Transformer BERT Python 装饰器方法 Pytorch FPN 图像分类 CNN 多模态生成 GPT Tranformer 生成模型 audio