Python处理遥感影像:PIL、OpenCV、GDAL三种库读取Tiff的优缺点对比

python处理 TIFF 格式数据 Python读取 tiff 格式数据前言一、读取TIFF文件二、使用步骤1.引入库2.读入数据总结 前言 参考文献1 GDAL 是一个开源的操作栅格数据和矢量数据的库,本文记录下用 Python 中 GDAL 库操作 TIFF (GeoTIFF)的常见代码,包括读写、获取坐标系、获取指定位置像元值等。 TIFF 简单理解就是一种图像格式,类似于 jpg、png 等。 GeoTIFF 就是在普通 TIFF 文件上增加了地理位置、投影信息、坐标信息等,常用于遥感数据。 一、读取TIFF文件 示例:pan. 阅读详情

Python处理遥感影像:PIL、OpenCV、GDAL三种库读取Tiff的优缺点对比

在遥感数据处理的工作流中,第一步——读取影像——往往决定了后续分析的效率和准确性。面对海量的Tiff格式遥感数据,Python开发者手边通常备着几个“瑞士军刀”:PIL(或其更活跃的分支Pillow)、OpenCV和GDAL。每个库都宣称能处理Tiff,但当你真正打开一个16位多光谱影像,或者一个包含地理坐标信息的GeoTIFF时,它们的表现却天差地别。选择不当,轻则数据精度丢失,重则坐标信息全无,让后续的空间分析无从谈起。这篇文章不是简单的API罗列,而是从遥感工程师的实际痛点出发,深入剖析这三个库在读取Tiff时的内核差异、性能表现和那些“坑”,帮你构建一个清晰的决策框架。

1. 核心能力与设计哲学:理解它们的“基因”

要选对工具,首先要明白它们是为解决什么问题而生的。这三个库的“基因”决定了它们在处理遥感Tiff时的根本差异。

PIL/Pillow 的诞生源于Web和通用图像处理。它的核心设计是面向展示和基础编辑。想象一下,你需要在网页上调整一张照片的大小、旋转或应用滤镜,PIL就是为此优化的。它内置了丰富的编解码器和色彩空间转换功能,但对元数据和专业数据格式的支持相对薄弱。在遥感领域,这意味着它可能“看得见”像素,但“读不懂”影像背后的地理世界。

OpenCV (cv2) 的基因是计算机视觉和实时视频处理。它的强项在于高效的矩阵运算、特征检测和机器学习预处理。OpenCV将图像视为纯粹的数值矩阵(通常是BGR顺序的uint8数组),追求的是运算速度。它对图像文件格式的支持,更像是为了“喂饱”其核心算法而存在的输入接口,而非一个完整的地理空间数据解析器。

GDAL 则完全不同,它是为地理空间数据而生的“专业选手”。它不仅仅是一个图像读取库,更是一个完整的地理信息系统数据抽象库。GDAL理解坐标系、投影、仿射变换、波段、无数据值、金字塔等一系列遥感影像的专属概念。它的设计目标是将复杂多样的地理数据格式(超过200种)统一到一个抽象的“数据集”模型中,为专业的地理空间分析提供可靠的数据基础。

为了更直观地对比三者的设计定位,我们可以看下表:

特性维度PIL / PillowOpenCV (cv2)GDAL
核心设计目标通用图像显示与编辑计算机视觉与实时处理地理空间数据输入/输出与分析
数据抽象模型图像(Image对象)多维数组(NumPy数组)地理数据集(Dataset对象)
对元数据的支持有限(EXIF等)几乎无全面且结构化(地理变换、投影、波段统计等)
默认色彩通道顺序RGBBGR按波段顺序存储,读取后自定义
多波段/高比特支持受限严重(后文详述)部分支持,但行为不直观原生完美支持
典型应用场景生成缩略图、格式转换、简单色彩调整目标检测、图像拼接、特征提取前的数据加载遥感分析、GIS建模、专业制图、数据格式转换

注意:这里的“基因”差异是根本性的。用OpenCV做遥感分析,就像用螺丝刀切菜,不是完全不行,但效率低下且容易出问题。而用GDAL做简单的图片裁剪,则像用手术刀拆快递,功能过剩但配置繁琐。

2. 实战拆解:读取多通道与高比特深度Tiff

理论说再多,不如一行代码看得明白。我们通过几个典型的遥感影像读取场景,来观察这三个库的具体行为。假设我们有一个名为 sentinel2_band_composite.tif 的影像,它可能包含多个波段(如红、绿、蓝、近红外),并且像素值可能是16位无符号整数(uint16),用以记录更丰富的地物反射率信息。

2.1 PIL/Pillow:简单场景的便捷之选与它的硬伤

对于标准的8位RGB Tiff图片,PIL的表现无可挑剔,语法极其简洁。

from PIL import Image

# 场景1:读取8位RGB Tiff (最常见的展示用图片)
img_pil = Image.open('rgb_8bit.tif')
print(f"PIL 模式: {img_pil.mode}")  # 输出: 'RGB'
print(f"PIL 尺寸: {img_pil.size}")   # 输出: (宽度, 高度)
# 可以方便地转换和保存
img_pil_gray = img_pil.convert('L')
img_pil_gray.save('gray.jpg')

然而,一旦踏入遥感领域,PIL的局限性立刻显现。它最大的硬伤在于对多通道和高比特深度(>8bit)Tiff的支持是割裂且不完整的。

根据其官方文档和实际解码器实现,PIL对Tiff的支持规则大致如下:

  • 支持:单通道的16位有符号/无符号整数(int16, uint16)、32位整数/浮点数;多通道的8位无符号整数(uint8)。
  • 不支持或不稳定:多通道的16位或更高位深图像。例如,一个包含4个波段(R, G, B, NIR)的uint16影像,PIL很可能无法正确读取,或者会静默地将数据截断或转换,导致信息丢失。
# 场景2:尝试读取一个4波段uint16的遥感Tiff(高风险操作)
try:
    img_pil_multiband = Image.open('sentinel2_band_composite.tif')
    print(f"模式: {img_pil_multiband.mode}") # 可能输出错误模式,如'I;16',但无法正确处理多波段
    arr_pil = np.array(img_pil_multiband)
    print(f"数组形状: {arr_pil.shape}") # 形状可能异常,如(height, width),丢失波段维度
except Exception as e:
    print(f"PIL读取失败或数据异常: {e}")

提示:如果你确认你的Tiff是8位RGB的,并且不需要任何地理信息,PIL的简洁API是快速查看和进行基础图像操作的最佳选择。但对于任何遥感分析任务,建议直接绕过PIL。

2.2 OpenCV:速度优先,但细节“埋雷”

OpenCV的 cv2.imread 函数以速度快著称,因为它针对常见格式进行了高度优化。但它为了兼容性和速度,在默认行为上做了很多“约定俗成”的假设,这些假设在遥感处理中往往是错误的根源。

第一个大坑:通道顺序。 OpenCV默认使用BGR顺序,而非RGB。这在可视化时会导致颜色异常。

import cv2
import numpy as np

# 场景1:读取一个普通的RGB Tiff(可能是8位)
img_cv2 = cv2.imread('rgb_8bit.tif', cv2.IMREAD_UNCHANGED) # -1 参数的同义常量
print(f"OpenCV 图像形状: {img_cv2.shape}") # 输出: (高度, 宽度, 3)
# 注意!此时img_cv2[..., 0]是蓝色(B)通道,img_cv2[..., 2]是红色(R)通道。
# 如需用于正确显示,必须转换:
img_cv2_rgb = cv2.cvtColor(img_cv2, cv2.COLOR_BGR2RGB)

第二个大坑:多波段和高位深读取参数晦涩。 cv2.imread 的第二个参数 flags 控制读取方式,但其对多通道和高位深的支持文档不清晰,行为在不同版本间可能不一致。

# 场景2:尝试读取多波段高位深Tiff
# cv2.IMREAD_UNCHANGED (-1): 按原样加载,包括alpha通道。但对于超过4通道或16位图像,行为未定义。
img_unchanged = cv2.imread('multiband_16bit.tif', cv2.IMREAD_UNCHANGED)
print(f"IMREAD_UNCHANGED 形状: {img_unchanged.shape if img_unchanged is not None else 'None'}")

# cv2.IMREAD_ANYDEPTH (2): 如果图像有深度,则保留深度,但强制转换为单通道。
img_anydepth = cv2.imread('multiband_16bit.tif', cv2.IMREAD_ANYDEPTH)
print(f"IMREAD_ANYDEPTH 形状: {img_anydepth.shape if img_anydepth is not None else 'None'}") # 可能为 (H, W),丢失通道!

# cv2.IMREAD_COLOR (1): 强制转换为3通道BGR的8位图像。高位深信息直接丢失!
img_color = cv2.imread('multiband_16bit.tif', cv2.IMREAD_COLOR)
if img_color is not None:
    print(f"IMREAD_COLOR 数据类型: {img_color.dtype}") # 肯定输出: uint8

可以看到,OpenCV没有提供一种可靠的方式来同时保留通道数和位深度。它更适合处理已经预处理好的、用于视觉算法的三通道uint8数据。

2.3 GDAL:专业领域的“完全体”

GDAL的API学习曲线最陡峭,但它提供的能力是前两者无法比拟的。它把Tiff文件当作一个包含多个图层(波段) 和丰富属性(元数据) 的地理数据集来对待。

from osgeo import gdal
import numpy as np

# 场景:完整读取一个多波段GeoTIFF
dataset = gdal.Open('sentinel2_band_composite.tif', gdal.GA_ReadOnly)
if dataset is None:
    raise FileNotFoundError("无法打开文件")

# 1. 获取元数据(这是PIL和OpenCV做不到的)
print(f"波段数: {dataset.RasterCount}")
print(f"影像尺寸: 宽={dataset.RasterXSize}, 高={dataset.RasterYSize}")

# 获取地理变换参数(六参数模型)
geotransform = dataset.GetGeoTransform()
if geotransform:
    print(f"左上角X坐标: {geotransform[0]}")
    print(f"像元宽度: {geotransform[1]}")
    print(f"旋转参数1: {geotransform[2]}")
    print(f"左上角Y坐标: {geotransform[3]}")
    print(f"旋转参数2: {geotransform[4]}")
    print(f"像元高度: {geotransform[5]}") # 通常为负值

# 获取投影信息
projection = dataset.GetProjection()
print(f"投影坐标系: {projection[:100]}...") # 可能很长,截断显示

# 2. 读取波段数据
# 方式一:逐个波段读取,控制数据类型
band1 = dataset.GetRasterBand(1) # 第一个波段
print(f"波段1数据类型: {gdal.GetDataTypeName(band1.DataType)}") # 例如: UInt16
arr_band1 = band1.ReadAsArray() # 返回一个二维NumPy数组
print(f"波段1数组形状和类型: {arr_band1.shape}, {arr_band1.dtype}")

# 方式二:一次性读取所有波段到三维数组(注意内存!)
# ReadAsArray() 不带参数时,返回形状为 [波段数, 高, 宽]
img_all_bands = dataset.ReadAsArray()
print(f"所有波段数组形状: {img_all_bands.shape}") # (波段数, 高, 宽)

# 对于机器学习或可视化,常需要转换为 (高, 宽, 波段数)
img_for_ml = img_all_bands.transpose(1, 2, 0)
print(f"转置后形状: {img_for_ml.shape}") # (高, 宽, 波段数)

# 3. 处理无数据值
nodata = band1.GetNoDataValue()
if nodata is not None:
    print(f"无数据值: {nodata}")
    # 在计算时,可以将无数据值屏蔽
    arr_band1_masked = np.ma.masked_equal(arr_band1, nodata)

# 务必记得关闭数据集,释放资源(特别是写入时)
dataset = None

GDAL的这种“重量级”方式,确保了数据的完整性。你可以精确控制从哪个波段、读取哪个区域(通过ReadAsArray(xoff, yoff, xsize, ysize)),并且所有的地理参照信息都得以保留,为后续的栅格计算、裁剪、重投影提供了坚实的基础。

3. 性能与内存深度对比

除了功能,在实际处理GB级别的大型遥感影像时,性能和内存占用也是关键考量因素。

  • PIL:在读取它支持的格式时,速度很快,内存管理也比较友好。但由于其不支持分块读取(tile),对于超大文件,它需要一次性将整个文件解压到内存,存在瓶颈。其内部缓存机制适合中小图像。
  • OpenCV:cv2.imread 通常会将整个图像数据一次性加载到内存中的一个连续NumPy数组中,速度极快,但同样受限于总内存大小。它不支持流式或分块读取。
  • GDAL:性能模式最为灵活。默认的ReadAsArray()也是全图读取,但GDAL提供了更高级的、基于数据块(Blocks) 或窗口(Windows) 的读取接口,可以高效地处理超出内存的大影像。
# GDAL 窗口读取示例,适合处理超大影像
dataset = gdal.Open('very_large_image.tif')
band = dataset.GetRasterBand(1)
xsize, ysize = band.XSize, band.YSize
block_xsize, block_ysize = band.GetBlockSize()

# 假设我们想分块处理,每次读取一个数据块
for y in range(0, ysize, block_ysize):
    for x in range(0, xsize, block_xsize):
        # 计算实际要读取的块大小(边缘可能不足一个整块)
        win_xsize = min(block_xsize, xsize - x)
        win_ysize = min(block_ysize, ysize - y)
        # 读取窗口数据
        data_chunk = band.ReadAsArray(x, y, win_xsize, win_ysize)
        # ... 处理 data_chunk ...

在内存占用上,三者在读取相同数据到NumPy数组后,占用量是相近的,因为底层都是数组。但GDAL的Dataset对象本身占用额外内存来存储元数据。在速度上,对于小文件,OpenCV可能略有优势;但对于需要复杂解码或分块处理的大文件,GDAL的优化设计使其更具优势。

4. 决策指南:如何根据你的场景做选择

经过前面的深入分析,我们可以总结出一个清晰的决策流程图。但在具体选择时,还可以参考以下更细致的场景化建议:

毫不犹豫选择 GDAL 的情况:

  • 你正在处理GeoTIFF,且需要其中的地理坐标、投影信息。
  • 你的影像超过4个波段(如高光谱数据)。
  • 你的影像数据是16位、32位整数或浮点型。
  • 你需要处理无数据值(NoData) 或波段统计信息。
  • 你要进行的操作不仅仅是“看”,而是裁剪、重投影、波段计算、格式转换等真正的遥感分析。
  • 文件非常大,你需要分块读取以避免内存溢出。

可以考虑使用 OpenCV 的情况:

  • 你的Tiff数据已经是预处理好的三通道(BGR顺序)8位图像,并且你明确知道没有地理信息需求。
  • 你接下来的步骤是调用OpenCV的一系列计算机视觉函数(如特征点检测、模板匹配、形态学操作)。
  • 速度是你最优先的考量,且数据格式完全符合OpenCV的预期。
  • 一个实用技巧:你可以先用GDAL读取并处理(如裁剪、辐射校正),将结果转换为uint8的BGR数组,再交给OpenCV进行后续的视觉算法处理。这样结合了两者的优势。

仅使用 PIL/Pillow 的情况:

  • 你只需要对遥感影像的可视化结果(如生成的JPG/PNG图片) 进行简单的尺寸调整、格式转换或添加水印。
  • 你处理的Tiff是标准的8位RGB真彩色预览图,并且你追求最简洁的代码。
  • 你需要用到PIL一些独特的图像处理滤镜,但这些滤镜作用于已经由GDAL读取并转换后的图像数组上。

在实际项目中,我个人的工作流通常是 “GDAL for input, NumPy/SciPy for processing, OpenCV/PIL for visualization”。GDAL作为可靠的数据入口,将数据读入NumPy数组;所有核心的数值计算、矩阵操作在NumPy和SciPy生态中完成;最后,如果需要生成报告或可视化,再将结果数组用OpenCV或PIL写出为图片。这种分工明确的组合,能最大程度保证数据链的稳健和高效。

【python图像处理】tiff文件的保存与解析 tiff文件是一种常用的图像文件格式,支持将多幅图像保存到一个文件中,极大得方便了图像的保存和处理。python中支持tiff文件处理的是libtiff模块中的TIFF类(libtiff下载链接https://pypi.python.org/pypi/libtiff/)。 阅读详情

相关推荐

使用Python读取Tiff图像的几种方法

本文总结了使用PIL, opencv, gdal 读取多通道Tiff格式遥感影像的方法。

momo的博客 8308

利用python对TIF/TIFF或者其他图像的处理过程

此篇博客是针对TIF/TIFF图像小白的,但具有一些python基础的。 什么是TIF/TIFF图像? 先说一下其他的图像格式; JPG/JPEG 是如今最常用的图片格式之一,其优点为兼容性高、传输速度快、内存小。JPG是一种有损压缩方案,可在保持较高图片质量的前提下,被压缩到原图内存的二十分之一大小。 当然,如果是出于对图片高质量的要求,JPG格式的图片依然存在失真的情况,故而无法与PNG或TIF格式相比较. 值得一提的是,在图片编辑中,对于JPG格式的图片,每一次输出都会损失像素质量,因此当我们在用图片

学习记录空间 1万+

避坑指南:用Python读Tiff图片时遇到的8个典型错误(PIL/cv2报错解决方案)

本文针对Python处理Tiff图片时常见的8个典型错误,提供了详细的避坑指南和解决方案。重点剖析了PIL和cv2库在读取复杂Tiff文件时的格式限制、位深度不匹配、多通道维度错乱等核心问题,并推荐使用tifffile库作为更稳健的替代方案,帮助开发者高效处理遥感影像和医学图像等专业场景。

c8d9e0f1的博客 893

Python读取和处理分析 tif 数据详解教程

【代码】Python读取和处理TIFF数据教程 (由简入深)

好记性不如烂笔头 2735

Python读取TIF影像全攻略:从GDAL、Rasterio到Tifffile的选型与实战

TIF(Tagged Image File Format)作为一种支持多波段、高精度数据及丰富元数据的栅格图像格式,其核心原理在于通过内部标签系统存储像素信息与地理、科学元数据。在遥感、医学影像及工业检测等领域,高效、准确地读取TIF文件是数据处理流程的基础。Python生态为此提供了多个专用库,其技术价值在于针对不同数据特性和应用场景提供了差异化的解决方案。例如,GDAL作为地理空间数据处理的基石,能无损读取地理坐标与投影信息;Rasterio以其Pythonic的API对GDAL进行了优雅封装,提升了开

weixin_30475039的博客 550

Python读取TIF文件全攻略:从Pillow到rasterio的实战选型

TIFF(Tagged Image File Format)是一种灵活且功能强大的光栅图像格式,其设计原理在于通过标签结构封装图像数据与丰富的元数据。这种技术特性使其不仅能存储普通RGB图像,更能承载多波段遥感数据、地理坐标信息、多维科学影像乃至复杂的压缩算法,从而在专业领域展现出巨大价值。在遥感测绘、地理信息系统(GIS)、医学影像及科学计算等应用场景中,正确处理TIFF文件是确保数据完整性与分析准确性的基础。针对Python生态,开发者常面临如何根据文件特性(如是否为GeoTIFF或多维数据)选择合适工

weixin_34111790的博客 408

python 批量裁剪tiff图

批量裁剪

DMU_Yucky的博客 3262

遥感影像分类数据集实战:17500张多源TIFF的预处理、训练与验证全链路

遥感图像分类是地理信息智能解译的核心任务,其本质是将多光谱/高分辨率影像映射为地物语义标签。技术原理上需协同处理光谱响应差异、几何畸变校正、像素级矢量标注转换及时空分布偏移等关键问题。该任务具备显著的技术价值:支撑国土调查、农业监测与生态环境评估等国家需求场景;工程难点在于数据非理想性——如TIFF动态范围丢失、JSON多边形到掩膜的坐标系错位、传感器混杂导致的域偏移。典型应用场景包括SaaS化遥感判读服务、省级自然资源AI辅助系统及课题级算法验证。本文聚焦真实项目中17,500张跨传感器遥感影像(GF1/

weixin_34008933的博客 363

Python处理遥感影像:PIL、OpenCV和GDAL读取Tiff的实战对比(附代码)

本文对比了Python中PIL、OpenCV和GDAL三种库在处理遥感影像Tiff文件时的性能表现和适用场景。通过实测数据和代码示例,分析了各库在多通道支持、地理信息读取、内存效率等方面的优劣,帮助开发者根据项目需求选择最佳工具。

weixin_30379531的博客 592

遥感影像传统分割:GDAL+scikit-image快速提取水体农田

遥感影像分割是地理信息提取的基础技术,其核心在于结合空间语义与像素特征实现地物边界识别。传统方法依托GDAL保障地理坐标系一致性,利用scikit-image提供鲁棒的阈值分割、连通域分析与形态学优化能力,避免深度学习对标注数据、GPU算力和调参经验的依赖。该技术路径具备高复现性、低资源消耗和强可解释性优势,广泛适用于水体提取、农田识别、裸地监测等中低复杂度地物分类任务,尤其适合教学演示、样本初筛及预标注场景。本文以Sentinel-2/Landsat影像为例,完整呈现从带地理元数据读取、NDVI/NIR波

weixin_29042035的博客 186

Materials Studio与LAMMPS联合作战:如何用msi2lmp.exe完美转换聚合物模型(含PCFF力场配置)

本文详细解析了如何利用msi2lmp.exe工具将Materials Studio中的聚合物模型高效、准确地转换为LAMMPS可识别的data文件,并重点配置PCFF力场。文章提供了从MS模型构建、文件导出到命令行转换、参数调整及转换后验证的全流程实战指南与避坑技巧,旨在帮助研究者解决模型转换中的常见问题,实现跨平台分子动力学模拟的无缝衔接。

weixin_29228781的博客 524

Python处理遥感影像:PIL、OpenCV、GDAL三种库读取Tiff的实战对比(附代码)

本文深入对比了Python中PIL、OpenCV和GDAL三种库读取Tiff遥感影像的实战差异。针对数据保真度、读取性能、多波段支持等核心维度,提供了详细的代码示例和选型指南。文章强调,对于涉及多波段或地理信息的严肃遥感分析,GDAL是专业且必要的选择。

weixin_29056145的博客 461

深入解析Matlab phantom函数:从基础模体到自定义头部仿真

本文深入解析了Matlab中的phantom函数,它是医学图像处理算法测试的核心工具。文章详细介绍了如何使用内置的Shepp-Logan及其改良版头部仿真模体,并重点讲解了通过自定义参数矩阵来构建专属模体的方法。通过从生成模体到模拟投影(正弦图)再到图像重建的完整实战流程,展示了phantom函数在CT等算法开发与验证中的关键作用。

m3n5b7v8c9x的博客 954

【python】opencv、PIL、gdal读取tif高分遥感影像比较

every blog every motto: The shortest answer is doing. 0. 前言 不同方法读取高分遥感影像的比较,实验所用高分影像含有4个波段:R、G、B、Nir(近红外)波段 1. 正文 比较的主要方法:读取高分影像(256,256,4),分别获取每个通道(256,256),对每个通道取唯一值(np.unique()),最后,打印每个通道唯一值的前10个进行比较。 1.1 共用代码 导入包 import cv2 as cv import numpy as np im

胡侃有料的博客 3347

Zemax操作40--序列模式中LD光源模拟

LD模拟

lzy750750的博客 9124

新手必看:用FileZilla从武大IGS中心下载GNSS数据,再到crx2rnx转换的完整流程

本文详细介绍了新手如何通过FileZilla从武汉大学IGS中心下载GNSS数据,并使用crx2rnx工具将数据转换为RINEX格式的完整流程。涵盖工具准备、FTP连接、文件解压、格式转换及常见问题排查,帮助测绘和地信专业人员高效处理GNSS观测值数据。

weixin_29292431的博客 428

Python高效处理Tiff遥感影像的三大库对比

本文对比了Python中处理Tiff遥感影像的三大库PIL、OpenCV和GDAL的优缺点。PIL适合轻量级操作但支持有限,OpenCV速度最快但丢失地理信息,GDAL则能完整保留元数据和多波段数据,是专业遥感分析的终极选择。文章提供了详细的代码示例和选型建议,帮助开发者高效处理遥感影像数据。

weixin_29044157的博客 187

EPLAN二次开发入门:Visual Studio 2019环境配置与插件调试实战

本文详细介绍了EPLAN二次开发入门的关键步骤,重点讲解如何在Visual Studio 2019中配置开发环境并进行插件调试。通过创建符合命名规范的项目、引用核心API库、实现插件接口以及使用附加进程调试等实战技巧,帮助电气工程师快速掌握EPLAN插件开发,提升自动化设计效率。

h6i7j8的博客 763

Python处理Tiff图像的三大库性能对比与应用场景

本文对比了Python中处理Tiff图像的三大库(Pillow、OpenCV和GDAL)的性能与应用场景。Pillow适合简单的图像查看和转换,OpenCV在计算机视觉任务中表现优异,而GDAL则是处理地理空间数据的专业选择。文章详细分析了各库的功能限制、性能表现和实际应用建议,帮助开发者根据需求选择最合适的工具。

weixin_42524308的博客 91

采用MPU6050的手势遥控器

随着社会的发展与进步,电子产品日益更新,个人家庭迎来了越来越多的智能家电。然而,现在的智能电子设备产品的遥控器多数都是按键形的。操作繁琐不直观,学习成本大。并且对于有老人小孩的家庭,给他们的操作带来了巨大的障碍。手势遥控器是指利用简单的手势来指挥电子设备,获得便捷的操作体验。让家庭成员都可以享受科技发展带来的福利。MPU6050是一个运动传感器,内置陀螺仪,再由电子设备利用判断结果做出相应的响应即...

Sakura的博客小站 6603

遗传算法(Genetic Algorithm)详解与实现

遗传算法(Genetic Algorithm, GA)是受自然进化原理启发的一系列搜索算法。通过模仿自然选择和繁殖的过程,遗传算法可以为涉及搜索、优化和学习的各种问题提供高质量的解决方案。同时,它们类似于自然进化,因此遗传算法可以克服传统搜索和优化算法遇到的一些障碍,尤其是对于具有大量参数和复杂数学表示形式的问题。

盼小辉丶的博客 24万+

Python图像处理避坑指南:TIF转PNG时,用GDAL还是PIL/OpenCV?看完这篇再决定

本文详细对比了Python中GDAL、PIL/Pillow和OpenCV在TIF转PNG时的性能与功能差异,帮助开发者根据地理空间数据、通用图像处理或计算机视觉等不同场景选择最佳工具。重点分析了各库在文件大小、特殊功能支持及中文路径兼容性等方面的表现,并提供了优化建议和实用代码示例。

weixin_28715081的博客 156

基于Python的电商平台商品价格监控与历史价格查询系统

随着电子商务的快速发展,消费者对商品价格透明度的需求日益增长。本文设计并实现了一个基于Python的电商平台商品价格监控与历史价格查询系统,能够自动抓取京东和淘宝商品信息,存储历史价格数据,并通过可视化界面展示价格走势。系统采用最新的异步爬虫技术、反爬虫绕过策略和现代Web框架,实现了高效稳定的数据采集与展示功能。关键词:Python爬虫、价格监控、历史价格、数据可视化、异步爬虫、电商平台实现了京东和淘宝商品信息的异步爬取,采用多种反爬虫策略提高爬取成功率;

2201_76125261的博客 683

python使用opencv将tif裁剪为任意形状

python使用opencv将tif裁剪为任意形状前言一、opencv是什么?二、使用步骤1.安装依赖2.裁剪总结 前言 博主最近在研究如何将tif裁剪成需要的任意形状,博主考虑过gdal,PIL库,但是根据查找到的资料,里面的切割函数切割出来的图只能是矩形,最后博主使用opencv来实现这个功能 一、opencv是什么? OpenCV是一个基于Apache2.0许可发行的跨平台计算机视觉和机器学习软件库,可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效——由一

weixin_43575792的博客 1749

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

避坑指南:Python转换TIF到PNG,用PIL还是OpenCV?实测对比与选型建议

本文深入对比了Python中Pillow和OpenCV在TIF转PNG图像格式转换中的性能差异,提供实测数据和选型建议。针对不同场景(如遥感影像、医学图像),分析各库在速度、内存占用和图像质量上的表现,帮助开发者高效选择最佳工具。文章包含优化代码和决策树,适用于处理高位深、多波段等专业图像转换需求。

weixin_34237941的博客 329

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

上一篇: 无人机多光谱影像拼接实战:Agisoft Photoscan从导入到导出的完整避坑指南
下一篇: Gitee实战指南:利用Git与VSCode实现跨设备代码无缝同步
普通网友
博客等级 码龄27年 205粉丝 1502原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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