PIL Error, TypeError: Cannot handle this data type:(1, 1), ＜i8

最新推荐文章于 2024-10-29 15:56:09 发布

原创

最新推荐文章于 2024-10-29 15:56:09 发布 · 6.9k 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#视觉检测 #计算机视觉 #python

在尝试使用PIL的Image.fromarray方法从numpy数组生成图像时遇到TypeError，原因是数据类型不匹配。解决方法是将numpy数组转换为np.uint8类型。例如，可以使用`img_array = img_array.astype(np.uint8)`来转换，然后重新尝试创建图像。

欢迎访问个人网络日志🌹🌹知行空间🌹🌹

文章目录

1.问题描述

PIL的Image.fromarray使用numpy array生成数组时报错，

Traceback (most recent call last):
  File "/media/lx/data/code/test_python/pil_test.py", line 8, in <module>
    print(Image.fromarray(img_array))
  File "/home/lx/anaconda3/envs/Python36/lib/python3.6/site-packages/PIL/Image.py", line 2766, in fromarray
    raise TypeError("Cannot handle this data type: %s, %s" % typekey) from e
TypeError: Cannot handle this data type: (1, 1), <i8

2.解决方式

# 将numpy array转成np.uint8类型
img_array = img_array.astype(np.uint8)
img_array = np

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

恒友成

关注关注

6
点赞
踩
4

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

解决KeyError: ((1, 1, 3), ‘＜i8‘) TypeError: Cannot handle this data type: (1, 1, 3), ＜i8

沉迷单车的追风少年

05-25

2807

目录项目场景：问题描述原因分析：解决方案：项目场景： PIL库可视化numpy数组图像问题描述完整报错如下： Traceback (most recent call last): File "/root/anaconda3/envs/ddpm_feb/lib/python3.7/site-packages/PIL/Image.py", line 2928, in fromarray mode, rawmode = _fromarray_typemap[typ.

解决使用CLIP模型时TypeError: Cannot handle this data type: (1, 1, 224, 224), |u1

tongjingqi_的博客

05-05

2010

已发送电子邮件. 我希望你给我一个可以运行的代码，而不是伪代码，我图像的路径是image_path = “images/photo-1.jpg”，而文本你可以随机找几个句子。by the way，出错的代码是GPT4给我的(改了10几次还是出错，看来训练数据有问题)，而没出错的代码是newbing给我的，一次做对。以下注释掉的部分是出错的代码，而没被注释的代码是不出错的代码，最大的区别是没出错的代码没有进行图像预处理。请注意，您需要安装Transformers库和Pillow库才能运行此代码。

参与评论您还未登录，请先登录后发表或查看评论

PIL报错：TypeError: Cannot handle this data type: (1, 1, 3), ＜f4

qq_39667860的博客

08-09

3035

猜测是imageio包的问题，将原本2.31.1版本的imageio卸载，重新装2.9.0版本的imageio就解决了。有问题，根据imsave（）定位到。

TypeError: Cannot handle this data type: (1, 1), ＜i8解决方法

qq_46486478的博客

11-29

2017

最近在完成图像分析与理解的课程作业，当代码调试好后，准备运行，在最后保存图片部分却出现了问题，具体如下。

KeyError: ((1, 1), ‘＜i8‘)

blue_sky_wait_me

04-25

1350

mode, rawmode = _fromarray_typemap[typekey] KeyError: ((1, 1), '<i8') 将： img = Image.fromarray(out) 改为： img = Image.fromarray(np.uint8(out)) TypeError: Cannot handle this data type: (1, 1, 384), |u1 维度错误，三维tensor使用squeeze()变为二维。 ...

TypeError: Cannot handle this data type: (1, 1, 512), |u1 python分割多波段大图像遥感影响（代码可运行）

mengmengc的博客

10-29

755

是因为从 GDAL 读取的数据块与 PIL 预期的数据格式不符。GDAL 默认读取的是多波段数据，而 PIL 需要特定的格式才能转换为图像。

tensor.save_image 报错：TypeError: Cannot handle this data type: (1, 1, 8), |u1

weixin_44166338的博客

04-11

408

tensor.save_image 中的通道数只能是 1 或 3 ，也就是灰度图和 RBG 图像，我的这个代码此处应该保存的灰度图，但是通道数显示的 8 ，经过分析，是因为预测采样时 batch_size 设置成了 8 ，导致了最后的通道数有误，将 batch_size 设置成 1 后，问题解决，顺利运行。

numpy转PIL 报错TypeError: Cannot handle this data type

qq_33964352的博客

10-13

1万+

from PIL import Image Image.fromarray(np.uint8(img)) 注意img如果是uint16的矩阵而不转为uint8的话，Image.fromarray这句会报错所以加上np.uint8(img)很有必要 File “/usr/local/lib/python2.7/site-packages/PIL/Image.py”, line 1884, in f...

PyTorch 加载数据集PIL.Image和numpy相互转化出现 TypeError: Cannot handle this data type的问题

qq_35037684的博客

08-11

663

传送门：https://blog.youkuaiyun.com/andyL_05/article/details/106906222

PIL报错：TypeError: Cannot handle this data type: (1, 1, 3), ＜f8

最新发布

09-02

<think> 我们遇到了一个错误：TypeError: Cannot handle this data type: (1, 1), <i8 这个错误通常发生在使用Pillow库保存图像时，图像数组的数据类型不被Pillow支持。根据引用[1]中提到的，结构化数据类型可能会引起问题，但这里的数据类型是<i8（即int64），而Pillow不支持int64类型的图像数据。解决方案的核心：将图像数组的数据类型转换为Pillow支持的整数类型（如uint8, int32等）或浮点类型（如float32，但需注意归一化）。具体步骤： 1. 确认输入数组的数据类型：错误信息中给出了(1,1), <i8，说明数组元素是64位整数（int64），且形状为(1,1)（这里可能是示例，实际形状可能不同）。 2. 转换数据类型：将int64转换为Pillow支持的uint8（0-255）或int32（但注意Pillow对int32的支持有限，通常推荐使用uint8或float32）。注意：如果图像数据是灰度图，则形状为(H, W)；如果是彩色图，则为(H, W, 3)或(H, W, 4)。如果数据范围不在0-255（对于uint8）或0-65535（对于uint16）等，则需要进行归一化或缩放。示例代码：情况1：灰度图像（单通道） ```python import numpy as np from PIL import Image # 假设我们有一个int64类型的灰度图像数组，数据范围未知 data = ... # 这里是一个int64类型的二维数组 # 方法1：如果数据范围在0-255，可以直接转换为uint8 if data.min() >= 0 and data.max() <= 255: data_uint8 = data.astype(np.uint8) else: # 方法2：如果数据范围较大，需要归一化到0-255 # 或者根据实际情况进行缩放 data_normalized = (data - data.min()) / (data.max() - data.min()) * 255 data_uint8 = data_normalized.astype(np.uint8) img = Image.fromarray(data_uint8) img.save('output.png') ``` 情况2：彩色图像（三通道或四通道） ```python # 假设data是一个三维数组，形状为(H, W, 3)或(H, W, 4)，数据类型为int64 # 同样需要转换到uint8 # 注意：每个通道单独处理？通常整个数组一起归一化或按通道归一化，但一般一起归一化即可 # 如果数据已经是0-255范围内的整数 if data.min() >= 0 and data.max() <= 255: data_uint8 = data.astype(np.uint8) else: # 归一化到0-255 # 注意：这里归一化是针对整个数组，如果各通道范围差异大，可能需要分通道归一化 data_normalized = (data - data.min()) / (data.max() - data.min()) * 255 data_uint8 = data_normalized.astype(np.uint8) img = Image.fromarray(data_uint8) img.save('output.png') ``` 注意：Pillow支持的常见模式（modes）有： - 'L'：8位灰度图（0表示黑，255表示白） - 'RGB'：真彩色，三通道 - 'RGBA'：带透明度的真彩色 - 'I'：32位有符号整数（int32）图像（注意：这种模式保存为PNG时可能会被限制，通常不推荐） - 'F'：32位浮点数（float32）但是，保存为PNG时，浮点型数据需要特殊处理。通常，我们使用整数类型。如果数据是浮点数且范围在0.0-1.0，我们可以乘以255转换为uint8。如果数据是int64，并且数值很大（例如超过255），直接转换为uint8会导致溢出（取模），因此要先归一化。另一种可能的错误来源：数组形状不正确。Pillow要求： - 灰度图：二维数组（H, W） - 彩色图：三维数组（H, W, 3）或（H, W, 4）如果数组形状不符合，需要调整。根据引用[2]中关于数组翻转的例子，我们可以知道数组的维度变化，但这里错误与维度无关，主要是数据类型。因此，解决步骤： 1. 检查数组的数据类型（dtype）并转换。 2. 检查数组的形状是否符合要求。 3. 检查数组的数值范围，必要时进行归一化。如果错误仍然存在，请检查数组的维度是否正确（例如，是否多余维度或缺少维度）。如果图像数据是二值图（只有0和1），那么转换成uint8时，注意0和1会被保存为几乎全黑，因为1在0-255范围内非常小。此时，我们可以将二值图转换为0和255： data_uint8 = (data * 255).astype(np.uint8) 总结代码： ```python import numpy as np from PIL import Image def save_as_png(data, filename): # 确保数据是numpy数组 if not isinstance(data, np.ndarray): data = np.array(data) # 检查数据类型 if data.dtype == np.int64: # 处理int64类型：归一化并转换为uint8 # 注意：如果数据范围很大，归一化；如果范围在0-255，直接转uint8 if data.min() >= 0 and data.max() <= 255: data = data.astype(np.uint8) else: # 归一化到0-255 data = (data - data.min()) / (data.max() - data.min() + 1e-7) * 255 data = data.astype(np.uint8) elif data.dtype == np.float32 or data.dtype == np.float64: # 浮点数，假设范围在0-1，转换为0-255 if data.max() <= 1.0 and data.min() >= 0.0: data = (data * 255).astype(np.uint8) else: # 如果浮点数范围不在0-1，则归一化 data = (data - data.min()) / (data.max() - data.min() + 1e-7) * 255 data = data.astype(np.uint8) else: # 其他不支持的类型，尝试转换为uint8（可能会有风险，但尝试） try: data = data.astype(np.uint8) except: raise TypeError(f"Cannot handle this data type: {data.dtype}") # 检查维度 if len(data.shape) == 2: # 灰度图 img = Image.fromarray(data, mode='L') elif len(data.shape) == 3: # 彩色图 # 注意：通道数必须是3或4 if data.shape[2] == 3: img = Image.fromarray(data, mode='RGB') elif data.shape[2] == 4: img = Image.fromarray(data, mode='RGBA') else: # 如果通道数不是3或4，尝试转换为3通道（例如复制通道）或者报错 raise ValueError(f"Unsupported channel number: {data.shape[2]}") else: raise ValueError("Unsupported array shape") img.save(filename) # 使用示例 # 假设我们有一个int64类型的数组 # data = np.array([[1,2],[3,4]], dtype=np.int64) # save_as_png(data, 'test.png') ``` 注意：上述代码是一个通用示例，实际应用时需要根据具体数据调整。如果问题仍未解决，请提供更多关于图像数组的信息（如形状、数据类型、数据范围等）。相关问题： 1. 如何将NumPy数组保存为图像文件？ 2. 使用Pillow保存图像时常见的数据类型错误有哪些？ 3. 如何将科学数据（如浮点数矩阵）可视化为PNG图像？ 4. 在图像处理中，为什么需要归一化数据？有哪些归一化方法？ 5. 如何在Python中转换图像数组的数据类型？ </think> 遇到 `TypeError: Cannot handle this data type: (1, 1), <i8` 错误时，这通常是由于图像数据使用了不被PNG格式支持的数据类型（int64）。以下是详细的解决方案： ### 错误原因分析 1. **数据类型不匹配**： - PNG格式支持的数据类型为：`uint8`（0-255）、`uint16`（0-65535）或浮点型（需归一化到0-1） - 错误中的 `<i8` 表示您尝试保存的是 **64位整数（int64）** 数据[^1] 2. **常见触发场景**： - 从NumPy数组创建图像时使用了int64类型 - 数据处理过程中意外转换为整数类型 - 科学计算数据（如矩阵运算结果）未正确转换 ### 解决方案（逐步操作） #### 方法1：强制转换为支持的数据类型 ```python from PIL import Image import numpy as np # 假设原始数据为int64类型 int64_array = np.array([[100]], dtype=np.int64) # 示例数据 # 转换为uint8（0-255范围） uint8_array = int64_array.astype(np.uint8) # 关键转换 Image.fromarray(uint8_array).save("output.png") ``` #### 方法2：处理大整数范围（自动归一化） ```python # 当数据范围超过255时 large_int_array = np.array([[30000]], dtype=np.int64) # 步骤1：归一化到0-255范围 normalized = (large_int_array - large_int_array.min()) / (large_int_array.max() - large_int_array.min()) * 255 # 步骤2：转换为uint8 uint8_array = normalized.astype(np.uint8) # 转换为PNG支持的格式[^2] Image.fromarray(uint8_array).save("normalized.png") ``` #### 方法3：保存为16位PNG（保留大数值） ```python # 当需要保留原始数值精度时（如医学影像） medical_data = np.array([[50000]], dtype=np.int64) # 转换为uint16（0-65535范围） uint16_array = medical_data.astype(np.uint16) # 关键转换 img = Image.fromarray(uint16_array) img.save("medical.png", format="PNG", bits=16) # 指定16位深度[^1] ``` ### 关键点说明 1. **数据类型转换原则**： | 原始类型 | 目标类型 | 转换方法 | |----------|----------|----------| | `int64` | `uint8` | `astype(np.uint8)` | | `int64` | `uint16` | `astype(np.uint16)` | | 浮点数 | `uint8` | 需先归一化到0-255 | 2. **数据范围处理公式**：对于超出目标范围的数据： $$ \text{normalized} = \frac{\text{data} - \min(\text{data})}{\max(\text{data}) - \min(\text{data})} \times 255 $$ ### 预防措施 1. **创建图像时显式指定类型**： ```python # 正确做法 data = np.random.randint(0, 256, (100,100), dtype=np.uint8) # 明确指定uint8 Image.fromarray(data).save("safe.png") ``` 2. **检查数据类型**： ```python print(array.dtype) # 保存前检查数据类型 if array.dtype == np.int64: array = array.astype(np.uint8) # 自动修复 ``` 3. **处理透明度时的特殊注意**： ```python # RGBA模式必须使用uint8 rgba_array = np.zeros((100,100,4), dtype=np.uint8) # 正确 Image.fromarray(rgba_array, 'RGBA').save("transparent.png") ``` > 通过以上方法可解决99%的 `Cannot handle this data type` 错误，核心在于**确保数据为uint8/uint16类型**并**检查数值范围**。