Pytorch可视化(显示图片)及格式转换 |
您所在的位置：网站首页 › 数据可视化图片解说怎么弄 › Pytorch可视化(显示图片)及格式转换 |
|
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 = ToPILImage() # 可以把Tensor转成Image，方便可视化 show(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。PIL详细介绍 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Tensor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.float32float32Tensor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uint8Numpy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int643.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numpy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), 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]) ''' |
今日新闻 |
推荐新闻 |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |