python图像处理常用方法
在线标注网站
https://gitlab.com/vgg/via
http://www.robots.ox.ac.uk/~vgg/software/via/via.html
数组与图像互转
from matplotlib import image
image.imsave('/xxx/%d.jpg'%d, array, cmap='gray') #数组转灰度图,jpg为三个通道数值一样
arr = image.imread("")
灰度图增强对比度
from PIL import Image
from PIL import ImageEnhance
img = Image.open('/xxx/xx.jpg')
img.show()
enh_con = ImageEnhance.Contrast(img)
contrast = 1.5 #增强的倍数
img_contrasted = enh_con.enhance(contrast)
img_contrasted.show()
处理标注网站的csv文件
import csv
import json
import numpy as np
def readcsv(filename):
list1 = []
with open(filename)as f:
csv_reader = csv.reader(f)
for row in csv_reader:
x,y,w,h = readjson(row[5])
list1.append([row[0], x, y, w, h])
arr = np.array(list1)
return arr
def readjson(jsonstr):
jsontemp = json.loads(jsonstr)
x,y,w,h = jsontemp["x"], jsontemp["y"], jsontemp["width"], jsontemp["height"]
return x,y,w,h
if __name__ == '__main__':
arr = readcsv('./ann/ann_test.csv')
print(arr)
图像resize,等比缩放,旁边加黑边:
import cv2
import numpy as np
from glob import glob
import os
def training_transform(height, width, output_height, output_width):
# https://docs.opencv.org/2.4/doc/tutorials/imgproc/imgtrans/warp_affine/warp_affine.html
height_scale, width_scale = output_height / height, output_width / width
scale = min(height_scale, width_scale)
resize_height, resize_width = round(height * scale), round(width * scale)
pad_top = (output_height - resize_height) // 2
pad_left = (output_width - resize_width) // 2
A = np.float32([[scale, 0.0], [0.0, scale]])
B = np.float32([[pad_left], [pad_top]])
M = np.hstack([A, B])
return M, output_height, output_width
def testing_transform(height, width, max_stride):
h_pad, w_pad = round(height / max_stride + 0.51) * max_stride, round(width / max_stride + 0.51) * max_stride
pad_left = (w_pad - width) // 2
pad_top = (h_pad - height) // 2
A = np.eye(2, dtype='float32')
B = np.float32([[pad_left], [pad_top]])
M = np.hstack([A, B])
return M, h_pad, w_pad
def invert_transform(M):
# T = A @ x + B => x = A_inv @ (T - B) = A_inv @ T + (-A_inv @ B)
A_inv = np.float32([[1. / M[0, 0], 0.0], [0.0, 1. / M[1, 1]]])
B_inv = -A_inv @ M[:, 2:3]
M_inv = np.hstack([A_inv, B_inv])
return M_inv
def affine_transform_coords(coords, M):
A, B = M[:2, :2], M[:2, 2:3]
transformed_coords = A @ coords + B
return transformed_coords
class LetterboxTransformer:
def __init__(self, height=None, width=None, mode='training', max_stride=128):
"""Resize the input images. For `mode='training'` the resolution is fixed to `height` x `width`.
The resolution is changed but the aspect ratio is kept.
In `mode='testing'` the input is padded to the next bigger multiple of `max_stride` of the network.
The orginal resolutions is thus kept."""
self.height = height
self.width = width
self.mode = mode
self.max_stride = max_stride
self.M = None
self.M_inv = None
def __call__(self, image):
h, w = image.shape[:2]
if self.mode == 'training':
M, h_out, w_out = training_transform(h, w, self.height, self.width)
elif self.mode == 'testing':
M, h_out, w_out = testing_transform(h, w, self.max_stride)
# https://answers.opencv.org/question/33516/cv2warpaffine-results-in-an-image-shifted-by-05-pixel
# This is different from `cv2.resize(image, (resize_width, resize_height))` & pad
letterbox = cv2.warpAffine(image, M, (w_out, h_out))
self.M = M
self.M_inv = invert_transform(M)
return letterbox
def correct_box(self, x1, y1, x2, y2):
coords = np.float32([[x1, x2], [y1, y2]])
coords = affine_transform_coords(coords, self.M_inv)
x1, y1, x2, y2 = coords[0, 0], coords[1, 0], coords[0, 1], coords[1, 1]
return x1, y1, x2, y2
def correct_coords(self, coords):
coords = affine_transform_coords(coords, self.M_inv)
return coords
#查看效果
from matplotlib import pyplot as plt
from matplotlib import image
fn = '/home/hxybs/centerNet/Centernet-Tensorflow2/data/val2017/000000000885.jpg'
letterbox_transformer = LetterboxTransformer(256, 556)
img = cv2.imread(fn)
pimg = letterbox_transformer(img)
plt.figure()
plt.imshow(img)
plt.figure()
plt.imshow(pimg)
plt.show()
效果:
计算图片数据集的均值方差
保证所有的图片都是统一尺寸
import os
from PIL import Image
import matplotlib.pyplot as plt
import numpy as np
from imageio import imread
filepath = r'/home/xxx/images' # 数据集目录
pathDir = os.listdir(filepath)
R_channel = 0
G_channel = 0
B_channel = 0
for idx in range(len(pathDir)):
filename = pathDir[idx]
img = imread(os.path.join(filepath, filename)) / 255.0
R_channel = R_channel + np.sum(img[:, :, 0])
G_channel = G_channel + np.sum(img[:, :, 1])
B_channel = B_channel + np.sum(img[:, :, 2])
num = len(pathDir) * 512 * 512 # 这里(512,512)是每幅图片的大小,所有图片尺寸都一样
R_mean = R_channel / num
G_mean = G_channel / num
B_mean = B_channel / num
R_channel = 0
G_channel = 0
B_channel = 0
for idx in range(len(pathDir)):
filename = pathDir[idx]
img = imread(os.path.join(filepath, filename)) / 255.0
R_channel = R_channel + np.sum((img[:, :, 0] - R_mean) ** 2)
G_channel = G_channel + np.sum((img[:, :, 1] - G_mean) ** 2)
B_channel = B_channel + np.sum((img[:, :, 2] - B_mean) ** 2)
R_var = np.sqrt(R_channel / num)
G_var = np.sqrt(G_channel / num)
B_var = np.sqrt(B_channel / num)
print("R_mean is %f, G_mean is %f, B_mean is %f" % (R_mean, G_mean, B_mean))
print("R_var is %f, G_var is %f, B_var is %f" % (R_var, G_var, B_var))
python图像处理常用方法的更多相关文章
- Python图像处理库:Pillow 初级教程
Python图像处理库:Pillow 初级教程 2014-09-14 翻译 http://pillow.readthedocs.org/en/latest/handbook/tutorial.html ...
- Python图像处理之验证码识别
在上一篇博客Python图像处理之图片文字识别(OCR)中我们介绍了在Python中如何利用Tesseract软件来识别图片中的英文与中文,本文将具体介绍如何在Python中利用Tesseract ...
- 【python图像处理】图像的缩放、旋转与翻转
[python图像处理]图像的缩放.旋转与翻转 图像的几何变换,如缩放.旋转和翻转等,在图像处理中扮演着重要的角色,python中的Image类分别提供了这些操作的接口函数,下面进行逐一介绍. 1.图 ...
- Python图像处理库(1)
转自:http://www.ituring.com.cn/tupubarticle/2024 第 1 章 基本的图像操作和处理 本章讲解操作和处理图像的基础知识,将通过大量示例介绍处理图像所需的 Py ...
- Python图像处理库:PIL中Image,ImageDraw等基本模块介绍
Python图像处理库:PIL中Image,ImageDraw等基本模块介绍 标签: 图像处理PILPYTHON 2016-08-19 10:58 461人阅读 评论(0) 收藏 举报 分类: 其他 ...
- Python图像处理库PIL中图像格式转换(一)
在数字图像处理中,针对不同的图像格式有其特定的处理算法. 所以,在做图像处理之前,我们须要考虑清楚自己要基于哪种格式的图像进行算法设计及事实上现.本文基于这个需求.使用python中的图像处理库PIL ...
- python 图像处理中二值化方法归纳总结
python图像处理二值化方法 1. opencv 简单阈值 cv2.threshold 2. opencv 自适应阈值 cv2.adaptiveThreshold 3. Otsu's 二值化 例子: ...
- python图像处理:一福变五福
快过年了,各种互联网产品都出来撒红包.某宝一年一度的“集五福活动”更是成为每年的必备活动之一. 虽然到最后每人大概也就分个两块钱,但作为一个全民话题,大多数人还是愿意凑凑热闹. 毕竟对于如今生活在大城 ...
- Python 图像处理 OpenCV (2):像素处理与 Numpy 操作以及 Matplotlib 显示图像
前文传送门: 「Python 图像处理 OpenCV (1):入门」 普通操作 1. 读取像素 读取像素可以通过行坐标和列坐标来进行访问,灰度图像直接返回灰度值,彩色图像则返回B.G.R三个分量. 需 ...
随机推荐
- 学习spring的第4天
关于老式的spring+mybatis整合,使用了druid连接池,还使用了mybatis-spring依赖(用于整合的),但是这个依赖本身就使用了spring-jdbc的某些类来处理事务方面的内容, ...
- pythpon--类操作
#coding=utf-8import numpy as npimport tensorflow as tfimport osos.environ["CUDA_VISIBLE_DEVICES ...
- Vue点击按钮下载对应图片
最近有用到点击某个按钮 自动下载对应图片,可是对于浏览器不同的问题,会有‘个别’浏览器出现不能下载的或者下载的效果不同等的问题, 可以直接用创建canvas方法: 定义图片地址Img: "w ...
- 转:JS高级学习笔记(8)- JavaScript执行上下文和执行栈
必看参考: 请移步:博客园 JavaScript的执行上下文 深入理解JavaScript执行上下文和执行栈 JavaScript 深入之执行上下文 写在开头 入坑前端已经 13 个月了,不能再称自己 ...
- C#后台执行JavaScript
方法一: Page.RegisterClientScriptBlock 方法 命名空間: System.Web.UI 这个方法现在已经过时.改用ClientScriptManager.Register ...
- linux下启动mysql提示:Timeout error occurred trying to start MySQL Daemon
启动 mysqld 时经过很长时间显示 Timeout error occurred trying to start MySQL Daemon. 终端进入 mysql 时显示 ERROR 2002 ( ...
- 简单makefile示例
Makefile cmd: - g++ 相信在linux下编程的没有不知道makefile的,刚开始学习linux平台下的东西,了解了下makefile的制作,觉得有点东西可以记录下. 下面是一个极其 ...
- Jlink线序问题
- C语言的字符串类型
C语言使用指针来管理字符串(1)C语言中定义字符串的方法:char *p = "linux";此时p就叫字符串,但是实际上p只是一个字符指针(本质上就是一个指针变量,只是p指向了一 ...
- zabbix监控日志关键字
1 添加zabbix监控项目 A.选择类型为“”zabbix客户端(主动式)“” B.键值: xx_log.log 为日志的绝对路径 connectException 为关键字 ---需根据自己需要定 ...