cv2.imread()和keras.preprocessing中的image.load_img()的区别

最新推荐文章于 2024-12-12 20:34:33 发布
原创 最新推荐文章于 2024-12-12 20:34:33 发布 · 1.7w 阅读 · 27 ·
CC 4.0 BY-SA版权
欢迎转载，但要标明出处！

博客展示了image.load_img()和cv2.imread()的效果，涉及到图像处理相关内容。

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

  1. image.load_img()
from keras.preprocessing import image

img_keras = image.load_img('./original/dog/880.jpg')
print(img_keras)

img_keras = image.img_to_array(img_keras)
print(img_keras[:,1,1])

效果如下：

<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=256x384 at 0x2E6999D37B8>
#image.load_img()只是加载了一个文件，没有形成numpy数组，
#下面的numpy数组是通过image.img_to_array()的函数形成的

[108. 108. 110. 115. 119. 120. 122. 125. 127. 127. 129. 131. 132. 134.
 1. 135. 138. 138. 139. 143. 141. 136. 132. 131. 135. 121. 103.  97.
 2.  85.  69.  65.  69.  67.  74.  80.  77.  82.  92.  99. 105. 113.
 3. 126. 128. 129. 132. 134. 135. 135. 135. 135. 134. 133. 131. 130.
 4. 124. 122. 120. 119. 119. 121. 122. 123. 121. 120. 120. 122. 124.
 5. 124. 123. 121. 120. 119. 119. 118. 116. 114. 121. 120. 117. 115.
 6. 112. 111. 111. 114. 105. 104. 107. 104. 103. 106. 105. 101.  71.
 7.  99.  99.  77.  71.  80.  69.  71.  69.  65.  63.  65.  64.  61.
 8.  67.  74.  77.  79.  81.  79.  76.  78.  78.  77.  75.  77.  79.
 9.  72.  68.  68.  67.  66.  64.  63.  61.  61.  57.  57.  56.  56.
 10.  51.  45.  42.  34.  31.  28.  26.  27.  28.  28.  28.  29.  29.
 11.  28.  27.  26.  25.  26.  24.  23.  22.  21.  21.  21.  22.  22.
 12.  21.  21.  20.  20.  20.  19.  19.  19.  18.  18.  18.  18.  18.
 13.  18.  18.  18.  17.  16.  14.  13.  12.  12.  10.  10.  10.  10.
 14.   9.   9.   8.  10.  10.  10.  10.  12.  15.  18.  20.  23.  20.
 15. 175. 229. 231. 230. 221. 219. 220. 227. 223. 213. 220. 227. 221.
 16. 216. 219. 214. 197. 187. 179. 165. 175. 160. 175. 201. 206. 207.
 17. 196. 178. 189. 207. 195. 190. 188. 152. 124.  97. 113. 179. 214.
 18. 122. 172. 178. 204. 196. 200. 184. 167. 147. 112. 106. 131. 193.
 19. 202. 188. 187. 199. 206. 207. 208. 172. 139. 147. 128. 130. 215.
 20. 224. 221. 219. 217. 218. 206. 185. 158. 180. 174. 173. 142. 139.
 21. 200. 202. 205. 174. 122. 119. 123. 120. 155. 206. 160. 191. 191.
 22. 182. 158. 116.  66.  29.   6.  22.  47.  54.  53.  55.  61.  64.
 23.  75.  80.  84.  86.  88.  87.  88.  89.  89.  88.  87.  86.  86.
 24.  71. 174. 136.  13.   7.  38.  68.  77.  79.  80.  81.  81.  80.
 25.  78.  77.  77.  77.  77.  76.  76.  76.  75.  74.  75.  75.  75.
 26.  73.  71.  70.  68.  65.  62.  59.  57.  55.  52.  49.  46.  43.
 27.  34.  31.  28.  25.  23.]
  1. cv2.imread()
import cv2

img_cv2 = cv2.imread('./original/dog/880.jpg')
print(img_cv2[:,1,1])

效果如下：

[108 108 110 115 119 120 122 125 127 127 129 131 132 134 134 135 138 138
 139 143 141 136 132 131 135 121 103  97  97  85  69  65  69  67  74  80
  77  82  92  99 105 113 120 126 128 129 132 134 135 135 135 135 134 133
 131 130 126 124 122 120 119 119 121 122 123 121 120 120 122 124 124 124
 123 121 120 119 119 118 116 114 121 120 117 115 113 112 111 111 114 105
 104 107 104 103 106 105 101  71  72  99  99  77  71  80  69  71  69  65
  63  65  64  61  62  67  74  77  79  81  79  76  78  78  77  75  77  79
  76  72  68  68  67  66  64  63  61  61  57  57  56  56  54  51  45  42
  34  31  28  26  27  28  28  28  29  29  28  28  27  26  25  26  24  23
  22  21  21  21  22  22  21  21  21  20  20  20  19  19  19  18  18  18
  18  18  18  18  18  18  17  16  14  13  12  12  10  10  10  10   9   9
   9   8  10  10  10  10  12  15  18  20  23  20  27 175 229 231 230 221
 219 220 227 223 213 220 227 221 220 216 219 214 197 187 179 165 175 160
 175 201 206 207 207 196 178 189 207 195 190 188 152 124  97 113 179 214
 147 122 172 178 204 196 200 184 167 147 112 106 131 193 218 202 188 187
 199 206 207 208 172 139 147 128 130 215 228 224 221 219 217 218 206 185
 158 180 174 173 142 139 151 200 202 205 174 122 119 123 120 155 206 160
 191 191 192 182 158 116  66  29   6  22  47  54  53  55  61  64  69  75
  80  84  86  88  87  88  89  89  88  87  86  86  92  71 174 136  13   7
  38  68  77  79  80  81  81  80  79  78  77  77  77  77  76  76  76  75
  74  75  75  75  74  73  71  70  68  65  62  59  57  55  52  49  46  43
  38  34  31  28  25  23]
keras如何批量读取图片_python 图片读取 常用操作方法
weixin_31884015的博客
02-17 1302
图片读取与保存cv2.imreadimport cv2im = cv2.imread(img_path) # 若无法读取，返回 None， cv2.imread(path, flags) flags: cv2.IMREAD_COLOR, cv2.IMREAD_GRAYSCALE, cv2.IMREAD_UNCHANGEDtype(im) # numpy.ndarrayim.shape...
详解Keras:keras.preprocessing.image
lymake的博客
01-06 2431
Keras 库中的一个模块，用于处理和增强图像数据，它提供了一些实用的函数，如图像的加载、预处理、增强等。用于数据增强的类，可以对图像进行旋转、缩放、平移、翻转等操作。将 numpy 数组或 PIL 图像转换为 PIL 图像。用于加载图像文件，并返回一个 NumPy 数组表示该图像。将图像转换为 NumPy 数组。参数需要与模型输入层的大小相匹。
浅谈cv2.imread()和keras.preprocessing中的image.load_img()区别
12-17
1、image.load_img() from keras.preprocessing import image img_keras = image.load_img('./original/dog/880.jpg') print(img_keras) img_keras = image.img_to_array(img_keras) print(img_keras[:,1,1]) 效果如下： #image.load_img()
cv2.imread, skimage.io.imread和keras.preprocessing.image.load_img的区别与转换
菜鸟很菜的专栏
10-20 2159
这里写自定义目录标题区别转换............ 区别 from keras.preprocessing import image img = image.load_img(img_path) img = image.img_to_array(img_path) # R,G,B – import cv2 as cv img_cv = cv.imread(img_path) #b,g,r –...
keras.preprocessing.image不能导入load_img和img_to_array函数
joe8910的博客
05-06 5048
keras加载图片报错原因及解决办法
from architecture import * import os import cv2 import mtcnn import pickle import numpy as np from sklearn.preprocessing import Normalizer from tensorflow.keras.models import load_model +from PIL import Image os.environ['KMP_DUPLICATE_LIB_OK'] = 'True' ######pathsandvairables######### face_data = 'Faces/' required_shape = (160,160) face_encoder = InceptionResNetV2() path = "facenet_keras_weights.h5" face_encoder.load_weights(path) face_detector = mtcnn.MTCNN() encodes = [] encoding_dict = dict() l2_normalizer = Normalizer('l2') ############################### def normalize(img): mean, std = img.mean(), img.std() return (img - mean) / std for face_names in os.listdir(face_data): person_dir = os.path.join(face_data,face_names) # print(person_dir) encodes = [] for image_name in os.listdir(person_dir): # print(os.listdir(person_dir)) image_path = os.path.join(person_dir,image_name) # print(image_path) try: img_BGR = cv2.imread(image_path) if img_BGR is None: raise Exception("无法读取图片") img_RGB = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2RGB) # print(img_RGB.shape) x = face_detector.detect_faces(img_RGB) # print(x) # print(x[0]['box']) x1, y1, width, height = x[0]['box'] x1, y1 = abs(x1) , abs(y1) x2, y2 = x1+width , y1+height face = img_RGB[y1:y2 , x1:x2] face = normalize(face) face = cv2.resize(face, required_shape) face_d = np.expand_dims(face, axis=0) encode = face_encoder.predict(face_d)[0] encodes.append(encode) except Exception as e: print(f"无法读取图片 {image_name}，原因：{e}") continue if encodes: encode = np.sum(encodes, axis=0 ) encode = l2_normalizer.transform(np.expand_dims(encode, axis=0))[0] encoding_dict[face_names] = enco
03-18
嗯，用户的问题是关于如何正确实现基于InceptionResNetV2和MTCNN的人脸检测与编码过程，以及处理可能出现的异常情况。首先，我需要回忆一下这两个模型的基本用途和常见问题。MTCNN用于人脸检测和对齐，而...
import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3' # 完全禁用TensorFlow日志(0-3) os.environ['TF_ENABLE_ONEDNN_OPTS'] = '0' # 禁用oneDNN优化 os.environ['KERAS_FACENET_PATH'] = './facenet_cache' # 提前设置FaceNet缓存路径 import cv2 import numpy as np import time from sklearn.svm import SVC from sklearn.preprocessing import LabelEncoder from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score from mtcnn import MTCNN from keras_facenet import FaceNet import joblib import urllib.request import tensorflow as tf # 禁用TensorFlow的进度条和冗余日志 tf.get_logger().setLevel('ERROR') tf.autograph.set_verbosity(0) def load_facenet_manually(cache_dir='.facenet_cache', max_retries=5, retry_delay=10): """ 增强版：带重试机制的模型下载和加载（兼容所有Python环境） """ # 创建缓存目录 os.makedirs(cache_dir, exist_ok=True) # 本地路径 model_path = os.path.join(cache_dir, "facenet_weights.h5") # 设置环境变量告诉 FaceNet 模型位置 os.environ['KERAS_FACENET_PATH'] = cache_dir print("正在加载FaceNet模型...") try: # 创建 FaceNet 实例 return FaceNet() except Exception as e: print(f"模型加载失败: {e}") return None class DormFaceRecognizer: def __init__(self, threshold=0.7, facenet_cache_dir='./facenet_cache'): """ 初始化人脸识别系统 """ # 加载人脸检测器(MTCNN) self.detector = MTCNN() # 加载人脸特征提取器(FaceNet) print("正在初始化FaceNet...") self.embedder = load_facenet_manually(cache_dir=facenet_cache_dir) if self.embedder is None: raise RuntimeError("无法加载FaceNet模型") # 初始化其他组件... self.classifier = None self.encoder = LabelEncoder() self.threshold = threshold self.dorm_members = [] def create_dataset(self, data_dir, min_samples=10): """ 从文件夹创建数据集 文件夹结构: data_dir/ ├── member1/ │ ├── img1.jpg │ ├── img2.jpg │ └── ... ├── member2/ │ ├── img1.jpg │ └── ... └── ... """ faces = [] labels = [] self.dorm_members = [] # 遍历每个成员文件夹 for member_dir in os.listdir(data_dir): member_path = os.path.join(data_dir, member_dir) if not os.path.isdir(member_path): continue # 记录寝室成员 self.dorm_members.append(member_dir) # 遍历成员的所有照片 member_faces = [] for img_file in os.listdir(member_path): img_path = os.path.join(member_path, img_file) img = cv2.imread(img_path) # 转换为RGB (MTCNN需要RGB格式) img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 检测人脸 results = self.detector.detect_faces(img_rgb) if len(results) > 0: # 获取最大的人脸（假设每张照片只有一个人） face = max(results, key=lambda x: x['box'][2] * x['box'][3]) # 提取人脸区域 x, y, w, h = face['box'] face_img = img_rgb[y:y + h, x:x + w] # 调整大小为FaceNet所需尺寸(160x160) face_img = cv2.resize(face_img, (160, 160)) member_faces.append(face_img) # 确保每个成员有足够样本 if len(member_faces) < min_samples: print(f"警告: {member_dir}只有{len(member_faces)}个有效样本，至少需要{min_samples}个") continue # 添加成员数据 faces.extend(member_faces) labels.extend([member_dir] * len(member_faces)) # 添加陌生人样本 stranger_faces = self._generate_stranger_samples(len(faces) // 4) faces.extend(stranger_faces) labels.extend(['stranger'] * len(stranger_faces)) # 转换为numpy数组 faces = np.array(faces) labels = np.array(labels) return faces, labels def _generate_stranger_samples(self, num_samples): """生成陌生人样本""" stranger_faces = [] # 这里可以使用公开数据集的人脸作为陌生人 # 实际项目中应使用真实的陌生人照片 # 此处使用随机噪声模拟 for _ in range(num_samples): # 生成随机人脸（实际应使用真实陌生人照片） random_face = np.random.randint(0, 255, (160, 160, 3), dtype=np.uint8) stranger_faces.append(random_face) return stranger_faces def extract_features(self, faces): """提取人脸特征向量""" # 转换为浮点数并归一化 faces = faces.astype('float32') / 255.0 # 提取特征向量 (128维) embeddings = self.embedder.embeddings(faces) return embeddings def train_classifier(self, embeddings, labels): """训练SVM分类器""" # 编码标签 encoded_labels = self.encoder.fit_transform(labels) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split( embeddings, encoded_labels, test_size=0.2, random_state=42 ) # 创建并训练SVM分类器 self.classifier = SVC(kernel='linear', probability=True) self.classifier.fit(X_train, y_train) # 评估模型 y_pred = self.classifier.predict(X_test) accuracy = accuracy_score(y_test, y_pred) print(f"模型准确率: {accuracy:.2f}") return accuracy def recognize_face(self, image): """ 识别单张图像中的人脸 返回: (姓名, 置信度) 或 ("陌生人", 距离) """ # 转换为RGB img_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) # 检测人脸 results = self.detector.detect_faces(img_rgb) if len(results) == 0: return "未检测到人脸", 0.0 # 识别每个人脸 recognitions = [] for face in results: # 提取人脸区域 x, y, w, h = face['box'] face_img = img_rgb[y:y + h, x:x + w] # 调整大小 face_img = cv2.resize(face_img, (160, 160)) # 提取特征向量 face_img = face_img.astype('float32') / 255.0 embedding = self.embedder.embeddings([face_img])[0] # 预测 probabilities = self.classifier.predict_proba([embedding])[0] max_prob = np.max(probabilities) pred_class = self.classifier.predict([embedding])[0] pred_label = self.encoder.inverse_transform([pred_class])[0] # 判断是否为陌生人 if max_prob < self.threshold or pred_label == 'stranger': recognitions.append(("陌生人", max_prob, (x, y, w, h))) else: recognitions.append((pred_label, max_prob, (x, y, w, h))) return recognitions def save_model(self, file_path): """保存模型""" joblib.dump({ 'classifier': self.classifier, 'encoder': self.encoder, 'threshold': self.threshold, 'dorm_members': self.dorm_members }, file_path) print(f"模型已保存至: {file_path}") def load_model(self, file_path): """加载模型""" data = joblib.load(file_path) self.classifier = data['classifier'] self.encoder = data['encoder'] self.threshold = data['threshold'] self.dorm_members = data['dorm_members'] print(f"模型已加载，寝室成员: {', '.join(self.dorm_members)}") # 主函数 - 训练和使用模型 def main(): print(f"[{time.strftime('%H:%M:%S')}] 程序启动") # 初始化识别器 - 指定FaceNet缓存目录 recognizer = DormFaceRecognizer( threshold=0.6, facenet_cache_dir='./facenet_cache' # 自定义缓存目录 ) # 数据集路径 (包含每个成员的文件夹) data_dir = "dorm_faces" # 步骤1: 创建数据集 print("正在创建数据集...") faces, labels = recognizer.create_dataset(data_dir, min_samples=10) # 步骤2: 提取特征 print("正在提取特征...") embeddings = recognizer.extract_features(faces) # 步骤3: 训练分类器 print("正在训练分类器...") accuracy = recognizer.train_classifier(embeddings, labels) # 保存模型 recognizer.save_model("dorm_face_model.pkl") # 测试识别 test_image = cv2.imread("test_photo.jpg") recognitions = recognizer.recognize_face(test_image) # 在图像上绘制结果 result_image = test_image.copy() for name, confidence, (x, y, w, h) in recognitions: label = f"{name} ({confidence:.2f})" color = (0, 255, 0) if name != "陌生人" else (0, 0, 255) # 绘制矩形框 cv2.rectangle(result_image, (x, y), (x + w, y + h), color, 2) # 绘制标签 cv2.putText(result_image, label, (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 2) # 显示结果 cv2.imshow("人脸识别结果", result_image) cv2.waitKey(0) cv2.destroyAllWindows() # 保存结果图像 cv2.imwrite("recognition_result.jpg", result_image) if __name__ == "__main__": main() 运行后出现：[16:42:39] 程序启动 正在初始化FaceNet... 正在加载FaceNet模型... 并且程序还没有结束
最新发布
06-24
增强模型加载的健壮性（添加超时和重试）修改`load_facenet_manually`函数，加入重试机制和超时控制：```pythonimportrequestsfromrequests.adaptersimportHTTPAdapterfromurllib3.util.retryimportRetrydefload_...
Android开源框架之图片加载器ImageLoad的用法
yin569258的博客
03-14 1778
刚学习Android不久，慢慢的会接触到一些从网络或本地动态加载图片的问题，刚开始自己在考虑用ImageView 控件，利用其方法去设置一个本地的图片，这种方法并不是很好，尤其是有很多图片，又有大图，很有可能造成内存溢出。 这几天在网上教程里看到了github的开源框架，ImageLoad和picasso图片加载开源框架，大神们写的东西就是好用，后来又参考了优快云上一位博主写的（http:
imageload
qikaikai0324的博客
11-12 345
//只需要初使化一次         options = new DisplayImageOptions.Builder()                 .cacheInMemory(true)//使用内存缓存                 .cacheOnDisk(true)//使用磁盘缓存                 .showImageOnLoading(R.mipmap.
Python:pygame.image.load
Mayxc的博客
08-21 1万+
# -*- coding:utf-8 -*- import pygame import sys from pygame.locals import * white = 255,255,255 blue = 100,0,200 pygame.init() screen = pygame.display.set_mode((600, 600), pygame.RESIZABLE, 0) py...
已解决module ‘keras.preprocessing.image‘ has no attribute ‘load_img‘
热门推荐
努力让自己发光，对的人才能迎着光而来
09-10 1万+
已解决module ‘keras.preprocessing.image‘ has no attribute ‘load_img‘
Python图片转numpy数组谁更快？cv2.imread() 还是 keras.preprocessing.image.load_img()
XerCis的博客
07-21 581
Keras的方法不仅更方便，而且更快一点
module ‘keras.preprocessing.image‘ has no attribute ‘load_img‘问题的解决
m0_46387303的博客
12-13 1662
module ‘keras.preprocessing.image‘ has no attribute ‘load_img‘
如何将cv2.imread与keras image.img_load输出相匹配？
Monster_H7的博客
12-11 684
OpenCV以BGR格式读取图像，而在keras中，它以RGB表示。要使OpenCV版本符合我们期望的顺序（RGB）， 只需反转通道： test_image = cv2.imread('some.jpg') test_image = cv2.resize(test_image, (224, 244)) test_image = test_image[...,::-1] # Added 最后...
opencv 代替caffe.io.load_image
eclipsycn的博客
01-19 922
self.net.blobs['data'].reshape(1, 3, self.image_resize, self.image_resize) #image = caffe.io.load_image(image_file) image = cv2.imread(image_file) image = cv2.resize(image, (300,300)) img = np.zeros((1
tensorflow常用函数
qq_52053775的博客
05-12 964
边界框以[y1，x1，y2，x2]的形式提供，其中（y1，x1）和（y2，x2）是框角的任何对角线对的坐标，坐标可以提供为标准化（即位于间隔[0，1]）或绝对坐标。此操作的输出是一组整数，索引到表示选定框的边界框的输入集合中。张量的第-行指定图像中框的坐标，并以归一化坐标指定。的归一化坐标值映射到处的图像坐标，因此归一化图像高度的区间映射到图像高度坐标中。2个元素的一维张量，.所有裁剪的图像块都将调整为此大小。不保留图像内容的纵横比。返回张量或变量的尺寸，作为int或None项的元组。...
了解图像的编码处理，调用image.load_img()函数进行图像读取，并调用imshow()函数显示图像。
2401_86231246的博客
12-12 437
库来实现类似功能的另一种示例，它同样能完成图像读取和显示。作为包管理工具，可以通过以下命令安装。以下是使用 Python 自带的。
评论 3
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