图像处理中最常见的三种图像读取方式

背景

最近计算图像残差时，尝试了用三种方式读取图像，很多时候读取的图像往往都是unit8类型，这样便导致残差的计算全为正数的情况，需要通过numpy类型转换函数进行转换

 

opencv

type查看python中元素的类型（list、dict、string、float、int）
dtype查看numpy ndrray的数据类型（float、int）
numpy中使用astype，及直接指定dtype = 'float32'进行转换，其中dtype可以省略

import cv2
import numpy as np
s1 = cv2.imread('1.png')
print (type(s1))  # <type 'numpy.ndarray'>
print (s1.dtype)  # uint8
# 通过下面的函数进行数据类型转换，再进行残差计算
s1 = s1.astype(int16)
s1 = s1.astype(float32)
s1 = np.array(s1, 'int16') 
s1 = np.array(s1, dtype='int16') 
# 保存图片前先Scale到[0, 255]之间
s1 = np.maximum(ss, 0)  # < 0 = 0
s1 = np.minimum(ss, 255)  # > 255 = 255
cv2.imwrite("Recon.png", s1

PIL

采用PIL模块的Image.fromarray(image).save方式存取的是无损图像，一般的图像差值处理顺序是：float32, clip(0,1)*255, round, cast uin8

import numpy as np
from PIL import Image
import scipy.misc
s1 = Image.open('1.png')
image_1 = np.array(s1)
print (image_1.dtype) # uint8 
image1 = np.array(img1, dtype='float32') 
print (image_1.dtype) # float32 
Image.fromarray(image).save(test_set_dir + str(i)+'.png')

 

Tensorflow

用tensorflow直接保存图像的情况使用较少，可以预先产生一个tf.gfile.FastGFile文件，接着将图片信息写入即可，注意这里又多出了两种类型转换函数：tf.image.convert_image_dtype,tf.cast

import tensorflow as tf

img_name = ["1.jpg"]
filename_queue = tf.train.string_input_producer(img_name)
img_reader = tf.WholeFileReader()
_,image_jpg = img_reader.read(filename_queue)

image_decode_jpeg = tf.image.decode_jpeg(image_jpg)
# 两种类型转换函数
image_decode_jpeg = tf.image.convert_image_dtype(image_decode_jpeg, dtype=tf.float32) 
# image_decode_jpeg = tf.cast(image_decode_jpeg, tf.float32)

sess = tf.Session()
coord = tf.train.Coordinator()
threads = tf.train.start_queue_runners(sess=sess, coord=coord)

image_flip_up_down = tf.image.flip_up_down(image_decode_jpeg)
image_flip_up_down = tf.image.convert_image_dtype(image_flip_up_down, dtype=tf.uint8)
image_flip_up_down = tf.image.encode_jpeg(image_flip_up_down)

img_up_down = sess.run(image_flip_up_down)
hd = tf.gfile.FastGFile("ud.png", "w")
hd.write(img_up_down)
hd.close()

coord.request_stop()
sess.close()
print("test end!")