首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >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

作者头像
李智
发布2019-05-26 20:23:56
1.1K0
发布2019-05-26 20:23:56
举报
文章被收录于专栏:李智的专栏李智的专栏

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]
本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2015年01月28日,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 一、人脸图像库Olivetti Faces介绍
  • 二、利用Python PIL、cPickle读取和保存 Olivetti Faces
相关产品与服务
人脸识别
腾讯云神图·人脸识别(Face Recognition)基于腾讯优图强大的面部分析技术,提供包括人脸检测与分析、比对、搜索、验证、五官定位、活体检测等多种功能,为开发者和企业提供高性能高可用的人脸识别服务。 可应用于在线娱乐、在线身份认证等多种应用场景,充分满足各行业客户的人脸属性识别及用户身份确认等需求。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档