11.30关于处理图像数据的包

本文对比了PIL、Pillow、OpenCV和scikit-image等图像处理库的功能,重点介绍了scikit-image在数字图像处理方面的优势。通过实例展示了如何使用scikit-image进行图像缩放操作。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

关于skimage的相关用法地址https://blog.youkuaiyun.com/u012300744/article/details/80083282

处理图像的数据包有:PIL,Pillow,opencv,scikit-image

其实PIL和Pillow只是提供最基础的数字处理图像,功能有限;opencv实际上是一个c++库,只是提供了python接口;

scikit-image是给于scipy的一款图像处理包,它将图片作为numpy数组进行处理,与MATLAB一样,所以数字图像处理复杂的时候,我们选用scikit-image包对图像进行处理。

图像的简单的打开、显示、保存可以用PIL中的Image中的open()方法

也可以用matplotlib.pyplot来显示

方法区别:

#用PIL中的Image.open方法
from PIL import Image
img=Image.open("")
img.show()
#matplotlib.pyplot方法
import matplotlib.pyplot as plt
img=Image.open('')
plt.figure('')
#plt用来绘制图像
plt.imshow(img) 
plt.show()

pil的open方法是直接用操作系统自带的浏览器打开图片进行显示

matplotlib.pyplot相当于是MATLAB中的plot方法,用matplotlib的库来绘制图片进行显示,matplotlib是一个专业的绘图库,可以设置figure,subplot可以显示多张图片。

from skimage import transform,data
img = data.camera()
print(img.shape) 
#图片原始大小
 print(transform.rescale(img, 0.1).shape) #缩小为原来图片大小的0.1倍
 print(transform.rescale(img, [0.5,0.25]).shape) #缩小为原来图片行数一半,列数四分之一
 print(transform.rescale(img, 2).shape) #放大为原来图片大小的2倍
--------------------- 

图像的size和scale有区别吗?形变与缩放,原理是什么?

分辨率=水平方向的单位像素值×垂直方向上的单位像素值

屏幕分辨率和图像分辨率

大尺寸——变小尺寸

小尺寸——变大尺寸

随着scale值的增大,图像逐渐的清晰

 

 

learning_rate = 3e-3 channel_1 = 32 channel_2 = 16 model = None optimizer = None ################################################################################ # TODO: Instantiate your ThreeLayerConvNet model and a corresponding optimizer # ################################################################################ # *****START OF YOUR CODE (DO NOT DELETE/MODIFY THIS LINE)***** model = ThreeLayerConvNet(in_channel=3, channel_1=channel_1, channel_2=channel_2, num_classes=10) # 创建SGD优化器(带正确的动量参数) optimizer = optim.SGD(model.parameters(), lr=learning_rate, momentum=0.9, weight_decay=5e-4, nesterov=True) # 添加学习率调度器 scheduler = optim.lr_scheduler.MultiStepLR(optimizer, milestones=[80, 120], gamma=0.1) # *****END OF YOUR CODE (DO NOT DELETE/MODIFY THIS LINE)***** ################################################################################ # END OF YOUR CODE # ################################################################################ train_part34(model, optimizer) Iteration 0, loss = 53.1522 Checking accuracy on validation set Got 113 / 1000 correct (11.30) Iteration 100, loss = 2.3019 Checking accuracy on validation set Got 78 / 1000 correct (7.80) Iteration 200, loss = 2.3021 Checking accuracy on validation set Got 78 / 1000 correct (7.80) Iteration 300, loss = 2.3049 Checking accuracy on validation set Got 78 / 1000 correct (7.80) Iteration 400, loss = 2.3039 Checking accuracy on validation set Got 78 / 1000 correct (7.80) Iteration 500, loss = 2.3027 Checking accuracy on validation set Got 98 / 1000 correct (9.80) Iteration 600, loss = 2.3035 Checking accuracy on validation set Got 119 / 1000 correct (11.90) Iteration 700, loss = 2.3042 Checking accuracy on validation set Got 119 / 1000 correct (11.90)
最新发布
07-18
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值