利用Python PIL、cPickle读取和保存图像数据库

利用Python PIL、cPickle读取和保存图像数据库 

@author：wepon

@blog:http://blog.csdn.net/u012162613/article/details/43226127

计算机视觉、机器学习任务中，经常跟图像打交道，在C++上有成熟的OpenCV可以使用，在Python中也有一个图像处理库PIL（Python Image Library），当然PIL没有OpenCV那么多功能（比如一些人脸检测的算法），不过在Python上，我们用PIL进行一些基本的图像读取与保存工作就行了，因为算法方面，Python有很多强大的算法库（机器学习库sklearn、深度学习库theano）。

本文以一个人脸图像数据库Olivetti Faces为例，展示如何使用PIL模块、cPickle模块将这个图像数据库读取并保存为pkl文件。

关于cPickle模块的使用，我在这篇文章里有讲到： DeepLearning tutorial（2）机器学习算法在训练过程中保存参数。下文就不重复了。

一、人脸图像库Olivetti Faces介绍

Olivetti Faces是纽约大学的一个比较小的人脸库，由40个人的400张图片构成，即每个人的人脸图片为10张。每张图片的灰度级为8位，每个像素的灰度大小位于0-255之间，每张图片大小为64×64。如下图，这个图片大小是1190*942，一共有20*20张人脸，故每张人脸大小是（1190/20）*（942/20）即57*47=2679：

二、利用Python PIL、cPickle读取和保存 Olivetti Faces

首先使用PIL.Image打开获取这张图片，为了便于数值计算，将其转化为numpy.array类型，然后每张图片摊成一个一维向量1*2679，因为有400张，所以得到了400*2679的numpy.array，接着使用cPickle模块，将转化得到的numpy.array保存为pkl文件。注意这是不带label的数据，我们可以人工地给它们类别0～39，每个类别有10个样本，故新建一个400*1的label，作为每张图片对应的类别。

代码如下：

#读取人脸库olivettifaces，并存储为pkl文件
import numpy
from PIL import Image
import cPickle

#读取原始图片并转化为numpy.ndarray，将灰度值由0～256转换到0～1
img = Image.open('/home/wepon/olivettifaces.gif')
img_ndarray = numpy.asarray(img, dtype='float64')/256


#图片大小时1190*942，一共20*20个人脸图，故每张人脸图大小为（1190/20）*（942/20）即57*47=2679
#将全部400个样本存储为一个400*2679的数组，每一行即代表一个人脸图，并且第0～9、10～19、20～29...行分别属于同个人脸
#另外，用olivettifaces_label表示每一个样本的类别，它是400维的向量，有0～39共40类，代表40个不同的人。
olivettifaces=numpy.empty((400,2679))
for row in range(20):
	for column in range(20):
		olivettifaces[row*20+column]=numpy.ndarray.flatten(img_ndarray [row*57:(row+1)*57,column*47:(column+1)*47])

#建一个<span style="font-family: SimSun;">olivettifaces_label</span>
olivettifaces_label=numpy.empty(400)
for label in range(40):
	olivettifaces_label[label*10:label*10+10]=label
olivettifaces_label=olivettifaces_label.astype(numpy.int)


#保存olivettifaces以及olivettifaces_label到olivettifaces.pkl文件
write_file=open('/home/wepon/olivettifaces.pkl','wb')  
cPickle.dump(olivettifaces,write_file,-1)  
cPickle.dump(olivettifaces_label,write_file,-1)  
write_file.close() 

这样，在目录/home/wepon/下就会得到一个olivettifaces.pkl文件。这个文件就存储了一个400*2679的向量和一个400*1的向量，代表样本及样本类别。

从olivettifaces.pkl中读取显示单张图片：

如果要查看单张图片，必须先将代表图片的2679维的向量reshape，如：faces[1].reshape(57,47)。调用pylab显示图片。

import cPickle
import pylab
read_file=open('/home/wepon/olivettifaces.pkl','rb')  
faces=cPickle.load(read_file)
read_file.close() 
img1=faces[1].reshape(57,47)
pylab.imshow(img)
pylab.gray()
pylab.show()

机器学习算法中如何使用olivettifaces.pkl？

在机器学习算法中，我们一般都会将样本分拆为训练样本、验证样本、测试样本，以及对应的label。该如何拆分？代码如下：

读取olivettifaces.pkl文件，分为训练集（40*8个样本），验证集（40*1个样本），测试集（40*1个样本）
import cPickle
read_file=open('/home/wepon/olivettifaces.pkl','rb')  
faces=cPickle.load(read_file)  
label=cPickle.load(read_file)  
read_file.close() 

train_data=numpy.empty((320,2679))
train_label=numpy.empty(320)
valid_data=numpy.empty((40,2679))
valid_label=numpy.empty(40)
test_data=numpy.empty((40,2679))
test_label=numpy.empty(40)

for i in range(40):
	train_data[i*8:i*8+8]=faces[i*10:i*10+8]
	train_label[i*8:i*8+8]=label[i*10:i*10+8]
	valid_data[i]=faces[i*10+8]
	valid_label[i]=label[i*10+8]
	test_data[i]=faces[i*10+9]
	test_label[i]=label[i*10+9]