PIL Opencv numpy tensor 汇总
PIL Opencv numpy tensor 汇总
这些库或者对象具有相似功能但具体操作方式又有所不同，本文将从创建（读取，存储），属性（大小），操作（切片，reshape）和相互转换方面，进行汇总介绍。
numpy ndarray
这个是 python 高性能计算的基础，几乎所有包的实际数据存储本质都是 ndarray 的。
创建
ndarray 的创建一般使用 numpy 提供的几个常用函数 zeros()，ones() 等
import numpy as np
a = np.zeros((3,4,5))
a_like = np.zeros_like(a)
l = np.arange(10)
ndarray 很少涉及序列化和反序列化，这里直接给出操作方法
# 默认情况下，数组以未压缩的原始二进制格式保存在扩展名为npy的文件中
np.save("filename.npy",a)
b = np.load("filename.npy")
# 将数组写入以某种分隔符隔开的文本文件中，默认分隔符为空格
np.savetxt("filename.txt",a)
b = numpy.loadtxt("filename.txt", delimiter=',')
# 使用数组的 tofile 函数可以方便地将数组中数据以二进制的格式写进文件
# 需要注意的是读取时，需要指定存储是相同的数据类型，否则读取数据不正确
# 同时，读取的数据是一维的，需要人为 reshape
a.tofile("filename.bin")
b = np.fromfile("filename.bin",dtype = **)
除此之外，还有 dump()，dumps()
属性
- shape：tuple，表示对应维度大小
- ndim：int，表示维数
- size：int，表示总数据量
- T：ndarray，转置之后的数组
- dtype：dtype，存储数据的类型
操作
# 转换数组的数据类型
a.astype(np.uint8)
# 返回该数组的浅复制
a.copy()
# 将该数组变换为新的形状，也可以通过直接修改 shape 属性实现
a.reshape((12, 5))
# 交换该数组的坐标轴
a.transpose((2, 0, 1))
# 在指定的坐标轴方向上复制
a=np.arange(4).reshape(2,2)
a=a.repeat(2,axis=1)
# ouput
a = [[0, 0, 1, 1],
[2, 2, 3, 3]]
ndarray 的元素获取主要基于切片操作进行
a = np.arange(10).reshape((2,5))
array([[0, 1, 2, 3, 4],
[5, 6, 7, 8, 9]])
a[1, 3] # == a[1][3]
8
a[:, ::-2]
array([[4, 2, 0],
[9, 7, 5]])
数据转换
- np.array(), np.asarray()：将数据型数据转换成 ndarray，支持 list， Image，tensor 等
- tolist()：list，将数组转化为Python的列表数据
- tostring()：string，将数组转化为Python的字符串数据；fromstring()
Opencv
创建
img = cv2.imread('img.png')
cv2.imshow('img', img)
img = cv2.imwrite('img_copy.png', img)Opencv 打开图片之后就是直接以 ndarray 进行存储，因此所有操作与 ndarray 完全相同。同时也可以直接创建 ndarray 对象当做 Opencv 图片处理。因此对于属性，操作和数据转换不再介绍。
需要注意的是，Opencv 在进行图像存储时使用的通道顺序是 BGR，与后面介绍的和通常使用的 RGB 有差异。
PIL Image
创建
from PIL import Image
img = Image.open('img.png') # 默认为 RGB
img.show()
img.save('img_copy.png')属性
- mode：str，图片存储模式，1，L，P，RGB，RGBA，CMYK，YCbCr，I，F
- format：str，图片存储格式，JPG, PNG, BMP
- size：tuple，图片的宽高，注意这里是宽在前高在后，和 ndarray（Opencv）刚好相反
- width, height：int，分别获取宽度和高度
- palette：仅当 mode 为 P 时有效，返回 ImagePalette 示例
操作
# 转换图片存储模式
img.convert('P')
# 图像裁剪
img.crop((10, 10, 100, 100)) # left, top, right, bottom
# 获取某个点的像素值
img.getpixel((5, 10)) # width 5, height 10
img.putpixel((5, 10), (255， 255， 255)) # if RGB数据转换
- ndarray：np.array()，Image.fromarray()
torch Tensor
创建
import torch
t = torch.zeros((5, 5, 5))
# 在制定 GPU 上创建与 data 一样的类型
torch.tensor(data, dtype=torch.float64, device=torch.device('cuda:0'))属性
- shape：torch.size，数据对应维度大小；结果等于 size()
- data：tensor，对应 tensor 数据
操作
gpu_tensor.size() # 尺寸，tuple 的 size 对象
gpu_tensor.dim() # 维度
gpu_tensor.numel() # 所有元素个数
b = a.clone() # 数据拷贝
数据转换
- ndarray：np.array()，torch.from_numpy()，tensor.numpy()
- list：tensor.tolist()