很多深度学习网络的输入要求为.mat格式,当然也可以直接修改输入数据的代码,比如修改为使用OpenCV读取图片等,但有些网络修改起来比较麻烦,且.mat数据有很多优势,所以部分网络最好还是用默认的.mat格式数据
.mat
文件是 MATLAB 的数据存储的标准格式。这种文件是标准的二进制文件,也可以以 ASCII 码的形式保存和加载。.mat
文件的方便之处在于,它可以连同数据的变量名一同保存下来,并且不需要控制数据的存储格式,MATLAB 会自动保存并区分我们所存储的内容。
例如,想在MATLAB 中方便地保存和加载数据,你可以使用 save
命令来生成 .mat
文件。下面是一个具体的例子:
% 创建一个3行3列的矩阵A并保存为.mat文件
A = magic(3);
save("Test.mat","A")
如果你想打开 .mat
文件,可以使用 load
命令。例如:
% 直接导入数据:两种方法
load("Test.mat")
load Test.mat
.mat
文件提供了一种方便、高效的方式来存储和共享用于深度学习的数据。
深度学习网络可能会要求使用 .mat
文件格式的数据,主要有以下几个原因:
.mat
文件是 MATLAB 的数据存储的标准格式,可以存储多种类型的数据,包括矩阵、图像、音频、文本等。这种格式的文件可以将多个相关的数据集组织在一起,方便进行批量处理和分析。
在深度学习中,数据预处理是一个重要的步骤。.mat
文件可以存储预处理后的数据,例如归一化、标准化、特征提取等处理后的数据。这样,深度学习网络可以直接使用预处理后的数据,无需再进行这些处理步骤。
许多深度学习工具和库,如 TensorFlow、Keras、PyTorch 等,都可以读取 .mat
文件中的数据。这意味着,无论你使用哪种深度学习工具或库,都可以方便地使用 .mat
文件中的数据。
.mat
文件是一种通用的数据格式,可以在不同的平台和工具之间进行共享。这意味着,如果你的深度学习网络需要使用别人的数据,或者你想分享你的数据给别人,.mat
文件是一个很好的选择。
BMP:BMP 格式是 Windows 操作系统中的标准图像文件格式,能够被多种 Windows 应用程序所支持。
.bmp格式图像通常比其他格式图像更大,因为它不采用任何压缩。
由于.bmp格式图像不进行压缩,因此它能保持图像的原始质量。然而,.jpg等格式由于使用了有 损压缩,可能会导致图像质量下降。
.bmp格式图像是一种位图图像,它记录了图像中每一个像素的颜色信息。
代码具体使用,学者只需要对应修改下面三个地方即可,我给的例子中是将.png格式图片转为.mat格式,如果要转换其它格式的图片,只需要将input_type修改为jpg或者bmp等即可:
# 转换单个文件夹中的所有图片为mat格式
import sys
import cv2
import os
import numpy as np
from scipy.io import savemat
import time
def findFiles(root_dir, filter_type, reverse=False):
print("Finding files ends with \'" + filter_type + "\' ...")
separator = os.path.sep
paths = []
names = []
files = []
for parent, dirname, filenames in os.walk(root_dir):
for filename in filenames:
if filename.endswith(filter_type):
paths.append(parent + separator)
names.append(filename)
for i in range(paths.__len__()):
files.append(paths[i] + names[i])
print(names.__len__().__str__() + " files have been found.")
paths.sort()
names.sort()
files.sort()
if reverse:
paths.reverse()
names.reverse()
files.reverse()
return paths, names, files
def cvtImgs2MatAndSave(img_dir, file_type, img_key_name, out_path):
paths, names, files = findFiles(img_dir, file_type)
imgs = []
for i in range(len(files)):
tmp_img = cv2.imread(files[i])
imgs.append(tmp_img)
img_width = imgs[0].shape[1]
img_height = imgs[0].shape[0]
num_channel = imgs[0].shape[2]
num_imgs = len(imgs)
print("Target shape:[", num_imgs, img_height, img_width, num_channel, "]")
img_mat = np.zeros([num_imgs, img_height, img_width, num_channel], np.uint8)
for i in range(len(imgs)):
img_mat[i, :, :, :] = imgs[i]
img_dict = {img_key_name: img_mat,
'__header__': 'Matlab MAT-file, Created by Xuhui Zhao on ' + time.ctime(),
'__version__': '1.0',
'__globals__': ''}
savemat(out_path, img_dict)
return img_dict
if __name__ == '__main__':
input_img_dir = "TestImages/SIDD/Visible_Images" # input影像块所在文件夹
input_type = "png" # input影像块文件类型
out_dir = "TestImages/SIDD/mat" # mat文件输出文件夹
# 文件默认名如下(与SIDD一致)
out_input_mat_name = out_dir + "/BenchmarkNoisyBlocksSrgb.mat"
# 如果设置的文件名没有后缀名,再加上
if not (out_input_mat_name.__contains__(".mat") or out_input_mat_name.__contains__(".MAT")):
out_input_mat_name = out_input_mat_name + ".mat"
# mat文件的key name(与SIDD一致)
input_key_name = "BenchmarkNoisyBlocksSrgb"
# 将多个影像文件转换成Mat文件 validation-input
cvtImgs2MatAndSave(input_img_dir, input_type, input_key_name, out_input_mat_name)
.mat文件中的数据如下
以上讲述了什么是.mat格式文件,以及为什么深度学习网络训练使用.mat格式数据的原因,还科普了一些常见的图片格式,并附上了将png,jpg,bmp,gif,tiff,psd等格式图片转为.mat格式的详细代码。
希望能帮到你,总结不易,多多支持,谢谢!