SciPy中的io和misc模塊怎么使用

本篇內容介紹了“SciPy中的io和misc模塊怎么使用”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

1、讀寫.mat文件

如果你有一些數據，或者在網上下載到一些有趣的數據集，這些數據以Matlab的.mat 文件格式存儲，那么可以使用scipy.io 模塊進行讀取。

data = scipy.io.loadmat('test.mat')

上面代碼中，data 對象包含一個字典，字典中的鍵對應于保存在原始.mat 文件中的變量名。由于這些變量是數組格式的，因此可以很方便地保存到.mat 文件中。

你僅需創建一個字典（其中要包含你想要保存的所有變量），然后使用savemat() 函數：

data = {}  
data['x'] = x  
scipy.io.savemat('test.mat',data)

因為上面的腳本保存的是數組x，所以當讀入到Matlab 中時，變量的名字仍為x。

2、以圖像形式保存數組

因為我們需要對圖像進行操作，并且需要使用數組對象來做運算，所以將數組直接保存為圖像文件1 非常有用。本書中的很多圖像都是這樣的創建的。

imsave() 函數可以從scipy.misc 模塊中載入。要將數組im 保存到文件中，可以使用下面的命令：

from scipy.misc import imsave  
imsave('test.jpg',im)

scipy.misc 模塊同樣包含了著名的Lena 測試圖像：

lena = scipy.misc.lena()

該腳本返回一個512×512 的灰度圖像數組。

補充：圖像預處理的幾個模塊:PIL、scipy.misc、OpenCV、TensorFlow

1、PIL庫

Python Imaging Library (PIL)是PythonWare公司提供的免費的圖像處理工具包,是python下的圖像處理模塊,支持多種格式,并提供強大的圖形與圖像處理功能。

雖然在這個軟件包上要實現類似MATLAB中的復雜的圖像處理算法并不太適合,但是Python的快速開發能力以及面向對象等等諸多特點使得它非常適合用來進行原型開發。

對于簡單的圖像處理或者大批量的簡單圖像處理任務,python+PIL是很好的選擇。

from PIL import Image,ImageEnhance     #調用庫
 
im = Image.open("E:/testdata/01.jpg")  #打開圖片
print (im.format, im.size, im.mode)    #打印圖像信息
'''
  format:圖像屬性，如png，jpeg
  size：圖像分辨率
  mode：
        1     1位像素，黑和白，存成8位的像素
	L	8位像素，黑白
	P	8位像素，使用調色板映射到任何其他模式
	RGB	3× 8位像素，真彩
	RGBA	4×8位像素，真彩+透明通道
	CMYK	4×8位像素，顏色隔離
	YCbCr	3×8位像素，彩色視頻格式
	I	32位整型像素
	F	32位浮點型像素
'''
new_im = im.convert('L')                       # 將圖像轉為其它模式
new_im.save("E:/testdata/02.png")              # 保存圖像，可以改變圖像格式
 
box = (0, 0, 500, 500)                         # 確定拷貝區域大小(左上角坐標，右下角坐標)
region = im.crop(box)                          # 將im表示的圖片對象拷貝到region中，大小為box
 
region = im.resize((400, 400),Image.ANTIALIAS) # 改變圖像尺寸
'''
  函數原型：im.resize(size, filter):
    size：所要求的尺寸，是一個二元組：（width, height）
    filter：為NEAREST、BILINEAR、BICUBIC或者ANTIALIAS之一
'''
 
im_30 = im.rotate(30, Image.NEAREST,1)         # 圖像逆時針旋轉30度
'''
  函數原型：im.rotate(angle,filter=NEAREST, expand=0) ? image
    angle：逆時針旋轉的角度值
    filter：NEAREST、BILINEAR或者BICUBIC之一
    expand，如果為true，表示輸出圖像足夠大，可以裝載旋轉后的圖像。
            如果為false或者缺省，則輸出圖像與輸入圖像尺寸一樣大。
'''
r,g,b=im.split()                             # 分割成三個通道，此時r,g,b分別為三個圖像對象。
new_im=Image.merge("RGB",(r,g,b))            # 將r,g,b,三通道合并
 
example = np.random.randint(0,255,size=(300,300,3))  # numpy數組
new_img = Image.fromarray(example, 'RGB')      # 將numpy的narray轉為Image類，第二個參數為mode
 
new_im.show()                                # 顯示圖像
# ---------將索引圖變成彩色圖-------------------
cmap = [np.random.randint(0, 255) for x in range(768)]  # 生成色彩隱射圖，大小需要為256*3=768
img = img.convert('P')                       # 轉換為P模式
img.putpalette(cmap)                         # 給索引圖著色
img.show()                                   # 顯示圖像
 
#----------圖像增強-----------------------
# 增強亮度
enhanceImg = ImageEnhance.Brightness(img)
# 圖片尖銳化
enhanceImg = ImageEnhance.Sharpness(img) 
# 對比度增強
enhanceImg = ImageEnhance.Contrast(img)  
# 色彩增強
enhanceImg = ImageEnhance.Color(img) 
enhanceImg.enhance(2.0).show()    # 2.0表示增強兩倍，1.0表示不增強。

注意：Image只接收uint8類型的數據，如果傳入float32類型的數據就會出錯。

2、scipy.misc

python在科學計算領域有三個非常受歡迎庫，numpy、SciPy、matplotlib。

numpy是一個高性能的多維數組的計算庫，SciPy是構建在numpy的基礎之上的，它提供了許多的操作numpy的數組的函數。SciPy是一款方便、易于使用、專為科學和工程設計的python工具包，它包括了統計、優化、整合以及線性代數模塊、傅里葉變換、信號和圖像圖例，常微分方差的求解等。

下面就簡單的介紹一下SciPy在圖像處理方面的應用，如果專業做圖像處理當然還是建議使用opencv。

from scipy.misc import imread,imsave,imresize
import scipy.io
 
img = imread("E:/testdata/01.jpg")    # 讀取圖像
print (img)                           # numpy 數組
 
img_type = img.dtype                  # 獲取圖片的數據類型
print(img_type)                       # uint8
 
img_shape = img.shape                 # 獲取圖片的大小
print(img_shape)                      # (310, 493, 3)  
 
newimg=imresize(img,(100,100))        # 圖像裁剪
'''
  函數原型：imresize(arr, size, interp='bilinear', mode=None)
    arr：ndarray類型的圖像
    size：裁剪后的尺寸，是一個元組
    interp ： 插值方法，為‘nearest', ‘lanczos', ‘bilinear', ‘bicubic' or ‘cubic'
    mode：PIL中的圖像模式 (‘P', ‘L'等等)，在resize之前先轉換模式
'''
 
imsave("timg_color.png",newimg)       # 保存圖片
 
# ------------使用scipy加載.mat文件-------------
data = scipy.io.loadmat('Data.mat')
print (data)                         # 一般data為一個字典類型的數據

3、OpenCV

OpenCV是一個開放源代碼的計算機視覺應用平臺，由英特爾公司下屬研發中心俄羅斯團隊發起該項目，開源BSD證書，OpenCV的目標是實現實時計算機視覺，，是一個跨平臺的計算機視覺庫。從開發之日起就得到了迅猛發展，獲得了眾多公司和業界大牛的鼎力支持與貢獻，因為是BSD開源許可，因此可以免費應用在科研和商業應用領域。

OpenCV中已經包含如下應用領域功能：二維和三維特征工具箱、運動估算、人臉識別系統、姿勢識別、人機交互、移動機器人、運動理解、對象鑒別、分割與識別、立體視覺、運動跟蹤、增強現實（AR技術）。基于上述功能實現需要，OpenCV中還包括以下基于統計學機器學習庫：Boosting算法、Decision Tree(決策樹)學習、Gradient Boosting算法、EM算法(期望最大化)、KNN算法、樸素貝葉斯分類、人工神經網絡、隨機森林、支掌向量機。

編程語言：OpenCV中多數模塊是基于C++實現，其中有少部分是基于C語言實現，當前OpenCV提供的SDK已經支持C++、Java、Python等語言應用開發。當前OpenCV本身新開發的算法和模塊接口都是基于C++產生。OpenCV-Python使用Numpy，這是一個高度優化的數據庫操作庫，具有MATLAB風格的語法。所有OpenCV數組結構都轉換為Numpy數組。這也使得與使用Numpy的其他庫（如SciPy和Matplotlib）集成更容易。接下來介紹OpenCV的核心操作：

import cv2
 
img = cv2.imread('E:/testdata/01.jpg')  # 讀取圖像
print( img.shape )
print (img)
 
b,g,r = cv2.split(img)                   # 拆分圖像通道
img = cv2.merge((b,g,r))                 # 合并圖像通道
 
res=cv2.resize(img,(50,50),interpolation=cv2.INTER_CUBIC)   # 圖像縮放
'''
	INTER_NEAREST	最近鄰插值
	INTER_LINEAR	雙線性插值（默認設置）
	INTER_AREA	使用像素區域關系進行重采樣。 它可能是圖像抽取的首選方法，因為它會產生無云紋理的結果。 但是當圖像縮放時，它類似于INTER_NEAREST方法。
	INTER_CUBIC	4x4像素鄰域的雙三次插值
	INTER_LANCZOS4	8x8像素鄰域的Lanczos插值
'''
 
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 轉換讀取圖像的通道順序，cv2默認為BGR順序,這里轉為RGB，其它軟件均為RGB
 
cv2.imwrite("hehe.jpg",res)               # 保存圖像
 
cv2.imshow("res",res)                     # 顯示圖像
cv2.waitKey(0)
cv2.destroyAllWindows()

注意：cv2默認為 BGR順序，而其他軟件（PIL、scopy.misc）一般使用RGB，所以當cv2和其它混用時需要用cv2.cvtColor()轉換通道

4、tf.image模塊

（1）編解碼（編解碼中處理的數據類型均為tf.uint8）：

tf.image.decode_jpeg(contents, channels=None, ratio=None, fancy_upscaling=None, try_recover_truncated=None, acceptable_fraction=None, name=None)
tf.image.encode_jpeg(image, format=None, quality=None, progressive=None, optimize_size=None, chroma_downsampling=None, density_unit=None, x_density=None, y_density=None, xmp_metadata=None, name=None)
tf.image.decode_png(contents, channels=None, name=None)
tf.image.encode_png(image, compression=None, name=None)

（2）縮放（第一個函數和后面四個等價，這幾個函數接受任意的數據類型，但是輸出的類型為tf.float32）：

tf.image.resize_images(images, new_height, new_width, method=0)
tf.image.resize_area(images, size, name=None)
tf.image.resize_bicubic(images, size, name=None)
tf.image.resize_bilinear(images, size, name=None)
tf.image.resize_nearest_neighbor(images, size, name=None)

（3）裁剪：

tf.image.resize_image_with_crop_or_pad(image, target_height, target_width)
tf.image.pad_to_bounding_box(image, offset_height, offset_width, target_height, target_width)
tf.image.crop_to_bounding_box(image, offset_height, offset_width, target_height, target_width)
tf.image.random_crop(image, size, seed=None, name=None)
tf.image.extract_glimpse(input, size, offsets, centered=None, normalized=None, uniform_noise=None, name=None)

（4）翻轉：

tf.image.flip_up_down(image)
tf.image.random_flip_up_down(image, seed=None)
tf.image.flip_left_right(image)
tf.image.random_flip_left_right(image, seed=None)

    #coding=utf-8
    import tensorflow as tf
    import numpy as np
    import os 
    from PIL import Image
 
    # 從文件讀取數據，得到的是二進制文件
    image_data = tf.gfile.FastGFile("D:/test/2.jpg", 'rb').read()
    with tf.Session() as sess:
      # 將二進制數據解碼為一個Tensor,此時的數據類型為tf.uint8
      img_data = tf.image.decode_jpeg(image_data)
      print (img_data.eval().shape)  
 
      # 對圖像進行resize，0：雙線性差值。1：最近鄰居法。2：雙三次插值法。3：面積插值法。
      resized = tf.image.resize_images(img_data, [500, 500], method=0)
 
      # TensorFlow的函數處理圖片后存儲的數據是float32格式的，需要轉換成uint8才能正確打印圖片。      
      resized = np.asarray(resized.eval(), dtype='uint8') 
 
      # 顯示圖片
      new_img = Image.fromarray(resized, 'RGB')    
      new_img.show()  
 
      # 對圖像進行編碼,并且保存圖像
      encoded_image = tf.image.encode_jpeg(resized)
      print (type(encoded_image))
      with tf.gfile.GFile("./3.jpg","wb") as f:
        f.write(encoded_image.eval())

（5）轉換圖像的數據類型：

tf.image.convert_image_dtype(image，dtype)

如果傳入的數據類型為uint8，該函數可以將0-255的uint8類型的像素值歸一化為0-1。如果傳入的數據類型為tf.float32，則該函數對圖像不做任何處理。如果傳入的數據類型為tf.int32，則處理后會變成極小的小數。

“SciPy中的io和misc模塊怎么使用”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！