开发者

Pytorch可视化(显示图片)及格式转换问题

开发者 https://www.devze.com 2022-12-14 09:18 出处:网络 作者: 向bug低头。
目录读取RGB文件读取HSI文件在显示图片之前需要注意的几个问题显示Tensor/numpy的数据类型Tensor进行数据类型的转换Numpy进行数据类型的转换显示图片保存RGB图像总结读取RGB文件
目录
  • 读取RGB文件
  • 读取HSI文件
  • 在显示图片之前需要注意的几个问题
  • 显示Tensor/numpy的数据类型
  • Tensor进行数据类型的转换
  • Numpy进行数据类型的转换
  • 显示图片
  • 保存RGB图像
  • 总结

读取RGB文件

  • matplotlib

注意 读入的图片的格式:

.jpg格式->uint8~~~~~~~~~~~~~~~~.png格式->float32

import matplotlib.image as mpimg  # mpimg 用于读取图片
a = mpimg.imread(r'C:\Users\Administrator\Desktop\real.jpg')

from torchvision.transforms import ToPILImage
show = ToPILImandroidage() # 可以把Tensor转成Image,方便可视化
sho开发者_JS培训w(im).show()
# 这个地方可以用这个show函数来显示图片
  • PIL

对图像内容进行操作的函数,不建议用来读取图片。

from PIL import Image
im = Image.open(r'C:\Users\Administrator\Desktop\real.jpg')
im.show()
  • cv2(推荐)cv2详细介绍

不论什么格式的文件,读入都是uint8

import cv2
# cv2.imread()接口读图像,读进来直接是BGR 格式数据格式在 0~255,通道格式为(W,H,C)
img_BGR = cv2.imread(r'C:\Users\Administrator\Desktop\real.jpg')
rgb = cv2.cvtColor(rgb, cv2.COLOR_BGR2RGB) #转成RGB
rgb = np.transpose(rgb, [2, 0, 1]) # 进行tensor操作时需要将维度放到前面

读取HSI文件

  • scipy
from scipy.io import loadmat
filenames_hyper = glob.glob(os.path.join(opt.data_path, 'NTIRE2020_Train_Spectral', '*.mat'))
# 返回一个list,存放该目录下所有.mat格式的文件路径
for k in range(len(filenames_hyper)):
	mat = loadmat(filenames_hyper[k])
	hyper = np.float32(np.array(mat['cube']))
  • h5py(有时候会出问题…)
import h5py
filenames_hyper = glob.glob(os.path.join(opt.data_path, 'NTIRE2020_Train_Spectral', '*.mat'))
for k in range(len(filenames_hyper)):
	mat = h5py.File(filenames_hyper[k], 'r')

在显示图片之前需要注意的几个问题

矩阵的shape:

  • 一般情况下是[ 行数, 列数, 维数 ](如[ 482, 512, 3 ]),这样显示出来会感觉不自然,但确http://www.devze.com实就是这样,RGB文件读入时一般也是这样。
  • 使用ToPILImage函数时要注意,详见Pytorch显示一个Tensor类型的图片数据;

数据类型是0-1的float型,还是0-255的int型或者uint8型:

  • 只要是浮点数,就会默认是0-1范围内。
  • 只要是整形,就会默认取值范围是2-255。
  • 下面会介绍Tensor和numpy如何进行数据类型的转换;

注意要操作的矩阵是Tejavascriptnsor类型还是numpy类型

显示Tensor/numpy的数据类型

  • dtype
a = torch.Tensor(1,2,3)
print(a.dtype)
print(a.numpy().dtype)

结果:

torch.float32

float32

Tensor进行数据类型的转换

a = torch.randn(10, 20, 3)

a = a.long()/half()/int()...
# torch.long() 将tensor投射为long类型
# torch.half()将tensor投射为半精度浮点类型
# torch.int()将该tensor投射为int类型
# torch.double()将该tensor投射为double类型
# torch.float()将该tensor投射为float类型
# torch.char()将该tensor投射为char类型
# torch.byte()将该tensor投射为byte类型
# torch.short()将该tensor投射为short类型

# 好像没有uint8

Numpy进行数据类型的转换

  • astype()函数
a = np.random.randint(0, 255, 300)
# 在0-255(包括0,不包括255)范围内产生300个随机整形,是一个行向量哦!
a = a.reshape(10,10,3)
a = a.astype(np.uint8)
# .float/.int/...

NumPy 支持比 python 更多种类的数值类型。

下表显示了 NumPy 中定义的不同标量数据类型。

序号数据类型及描述
1.bool存储为一个字节的布尔值(真或假)
2.int默认整数,相当于 C 的long,通常为int32或int64
3.int1616 位整数(-32768 ~ 32767)
4.int3232位整数(-32768 ~ 32767)
5.uint88 位无符号整数(0 ~ 255)
6.float16半精度浮点:符号位,5 位指数,10 位尾数
6.float32单精度浮点:符号位,8 位指数,23 位尾数
7.float64双精度浮点:符号位,11 位指数,52 位尾数

显示图片

  • plt()
from matplotlib import pyplot as plt
import numpy as np
a = abs(torch.randn(10,20,3))*100
plt.imshow(a) # 显示图片
plt.axis('off') # 不显示坐标轴
plt.show()
# 显示单通道,也就是热力图,也就是说可以用它来显示HSI.mat文件
plt.imshow(a[:,:,0]) 
plt.imshow(a[:,:,0], cmap='Greys_r') #显示单通道黑白图
# # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # #
plt.subplot(2,2,1) #与matlab语法很相似
plt.imshow(img_BGR)
plt.axis('off')
plt.title('BGR')
# 使用plt显示图片时tensor和nu编程客栈mpy都可
  • ToPILImage()
from torchvision.transforms import ToPILImage
show = ToPILImage() # 可以把Tensor转成Image,方便可视化
import matplotlib.image as mpimg  # mpimg 用于读取图片
im = mpimg.imread(r'C:\Users\Administrator\Desktop\real.jpg')
show(im).show()
# **只有两种情况能用这个show**
 - tensor + 0-1的float + [3,482,512]
 - numpy + uint8 + [482,512,3]

保存RGB图像

保存 matplotlib 画出的图像,相当于一个 screencapture。(会有白边)

plt.savefig('a.png')
  • cv2
# 要保存的数据必须是numpy格式
# 都以uint8格式保存,也就是说如果之前是0-1的float32格式数据会全是0
cv2.imwrite(r'C:\Users\Administrator\Desktop\a.jpg',a)
# # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # #
# 对于JPEG,其表示的是图像的质量,用0 - 100的整数表示,默认95;对于png ,第三个参数表示的是压缩级别。默认为3.
cv2.imwrite('1.png',img, [int(cv2.IMWRITE_JPEG_QUALITY)python, 95])
# cv2.IMWRITE_JPEG_QUALITY类型为 long ,必须转换成 int
cv2.imwrite('1.png',img, [int(cv2.IMWRITE_PNG_COMPRESSION), 9])
# cv2.IMWRITE_PNG_COMPRESSION, 从0到9 压缩级别越高图像越小。

将 array 保存为图像

好像有点问题之后再改~

from scipy import misc
misc.imsave('lena_new_sz.png', lena_new_sz)

直接保存 array(直接保存numpy,而不是以图片格式保存)

读取之后还是可以按照前面显示数组的方法对图像进行显示,这种方法完全不会对图像质量造成损失

np.save(r'C:\Users\Administrator\Desktop\a', a) # 会在保存的名字后面自动加上.npy
img = np.load('lena_new_sz.npy') # 读取前面保存的数组

torchvision.utils.save_image

推荐使用

from torchvision.utils import save_image
dir1 = 'C:/Users/Administrator/Desktop/noise.png'
a = torch.randn(3,400,500)    #注意该tensor的形状
show(a).show()
save_image(a,dir1)
# 还可以用该函数生成雪碧图(许多小图拼接成一幅大图)
save_image(torch.stack(image), nrow=8, padding=2, normalize=True, range=(-1, 1))
# 给定 4D mini-BATch Tensor,形状为 (B x C x H x W),或者一个a list of image,做成一个size为(B / nrow, nrow),每幅图之间间隔(黑条)是padding的雪碧图。
# 其中从第三个参数开始为函数make_grid()的参数,主要用于生成雪碧图。normalize=True ,会将图片的像素值归一化处理;range=(min, max), min和max是数字,那么min,max用来规范化image
# 所以这个时候需要使用torch.stack()函数将许多图拼接起来(3维->4维)
# 这里再说下和torch.cat()函数的区别,cat是沿着第0个维度进行拼接,并不会增加维度
a = torch.randn(3,400,500)
b = torch.randn(3,400,500)
print(torch.stack((a,b)).shape) #注意拼接时需要时元组或者列表,所以需要加个()/[]
print(torch.cat((a,b)).shape)
'''
结果:
torch.Size([2, 3, 400, 500])
torch.Size([6, 400, 500])
'''

总结

以上为个人经验,希望能给大家一个参考,也希望大家多多支持我们。

0

精彩评论

暂无评论...
验证码 换一张
取 消

关注公众号