python 实现将Numpy数组保存为图像
第一种方案
可以使用scipy.misc,代码如下:
import scipy.misc misc.imsave('out.jpg', image_array)
上面的scipy版本会标准化所有图像,以便min(数据)变成黑色,max(数据)变成白色。如果数据应该是精确的灰度级或准确的RGB通道,则解决方案为:
import scipy.misc misc.toimage(image_array, cmin=0.0, cmax=...).save('outfile.jpg')
第二种方案
使用PIL。
给定一个numpy数组"A":
from PIL import Image im = Image.fromarray(A) im.save("out.jpeg")
你可以用几乎任何你想要的格式来替换"jpeg"。有关格式详见here更多细节
第三种方案
mport matplotlib matplotlib.image.imsave('out.png', array) import matplotlib.pyplot as plt plt.imshow(matrix) #Needs to be in row,col order plt.savefig( 'out.png' )
第四种方案
import cv2 import numpy as np cv2.imwrite("filename.png", np.zeros((10,10)))
以上这篇python 实现将Numpy数组保存为图像就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持我们。
相关推荐
-
Python图像灰度变换及图像数组操作
使用python以及numpy通过直接操作图像数组完成一系列基本的图像处理 numpy简介: NumPy是一个非常有名的 Python 科学计算工具包,其中包含了大量有用的工具,比如数组对象(用来表示向量.矩阵.图像等)以及线性代数函数. 数组对象可以实现数组中重要的操作,比如矩阵乘积.转置.解方程系统.向量乘积和归一化.这为图像变形.对变化进行建模.图像分类.图像聚类等提供了基础. 在上一篇python基本图像操作中,当载入图像时,通过调用 array() 方法将图像转换成NumPy的数组对象
-
Numpy数组的保存与读取方法
1. 数组以二进制格式保存 np.save和np.load是读写磁盘数组数据的两个主要函数.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,以数组a为例 np.save("filename.npy",a) b = np.load("filename.npy") 利用这种方法,保存文件的后缀名字一定会被置为.npy 2. 存取文本文件 使用 np.savetxt 和 np.loadtxt 只能读写 1 维和 2 维的数组 np.savetxt:将
-
使用pandas将numpy中的数组数据保存到csv文件的方法
接触pandas之后感觉它的很多功能似乎跟numpy有一定的重复,尤其是各种运算.不过,简单的了解之后发现在数据管理上pandas有着更为丰富的管理方式,其中一个很大的优点就是多出了对数据文件的管理. 如果想保存numpy中的数组元素到一个文件中,通过纯Python的文件写入当然是可以实现的,但是总觉得是少了一点便捷性.在这方面,pandas工具的使用就会让工作方便很多.下面通过一个简单的小例子来演示一下. 首先,创建numpy中的数组. In [18]: arr1 = np.arange(10
-
python之cv2与图像的载入、显示和保存实例
本文是OpenCV 2 Computer Vision Application Programming Cookbook读书笔记的第一篇.在笔记中将以Python语言改写每章的代码. PythonOpenCV的配置这里就不介绍了. 注意,现在OpenCV for Python就是通过NumPy进行绑定的.所以在使用时必须掌握一些NumPy的相关知识! 图像就是一个矩阵,在OpenCV for Python中,图像就是NumPy中的数组! 如果读取图像首先要导入OpenCV包,方法为: impor
-
python读取和保存图片5种方法对比
python读取和保存图片5种方法对比 python中对象之间的赋值是按引用传递的,如果需要拷贝对象,需要用到标准库中的copy模块 方法一:利用 PIL 中的 Image 函数 这个函数读取出来不是 array 格式,这时候需要用 np.asarray(im) 或者 np.array()函数 . 区别:np.array() 是深拷贝,np.asarray() 是浅拷贝 copy.copy 浅拷贝 只拷贝父对象,不会拷贝对象的内部的子对象. copy.deepcopy 深拷贝 拷贝对象及其子对象
-
python 实现将Numpy数组保存为图像
第一种方案 可以使用scipy.misc,代码如下: import scipy.misc misc.imsave('out.jpg', image_array) 上面的scipy版本会标准化所有图像,以便min(数据)变成黑色,max(数据)变成白色.如果数据应该是精确的灰度级或准确的RGB通道,则解决方案为: import scipy.misc misc.toimage(image_array, cmin=0.0, cmax=...).save('outfile.jpg') 第二种方案 使用P
-
详解python如何通过numpy数组处理图像
如图,以该猫咪图片为例(忽略水印).将该文件命名为cat.jpg,并对其展开以下操作. 使用PIL库进行灰度处理 from PIL import Image import numpy as np # 读取图像,并转化为数组 im = np.array(Image.open("cat.jpg")) # 灰度处理公式 gray_narry = np.array([0.299, 0.587, 0.114]) x = np.dot(im, gray_narry) # 数组转图片 gray_ca
-
Python多进程共享numpy 数组的方法
为什么要用numpy Python中提供了list容器,可以当作数组使用.但列表中的元素可以是任何对象,因此列表中保存的是对象的指针,这样一来,为了保存一个简单的列表[1,2,3].就需要三个指针和三个整数对象.对于数值运算来说,这种结构显然不够高效. Python虽然也提供了array模块,但其只支持一维数组,不支持多维数组(在TensorFlow里面偏向于矩阵理解),也没有各种运算函数.因而不适合数值运算. NumPy的出现弥补了这些不足. 引用:https://zhuanl
-
Python中的 Numpy 数组形状改变及索引切片
目录 1.改变数组形状 2.索引和切片 1.改变数组形状 数组的shape属性返回一个元组,包括维度以及每个轴的元素数量,Numpy 还提供了一个reshape()方法,它可以改变数组的形状,返回一个新的数组. 例如: a = np.array([1,2,3,4,5,6,7,8]) 转换成二维数组: b = a.reshape((2,4)) 转换成三维数组: c = a.reshape((2,2,2)) 但是需要注意的是,修改后的数组元素个数与原数组元素个数必须是一致的,不一致会报错. 例如执行
-
Python中的numpy数组模块
目录 一.numpy简介 1.numpy库作用: 2.NumPy 是一个运行速度非常快的数学库,主要用于数组计算,包含: 3.NumPy 应用 二.为什么用numpy 三.创建numpy数组 1.将列表转换创建numpy数组,可选择显式指定dtype 2.arange方式创建numpy数组 3.其他方式创建numpy数组 4.numpy或pandas中reshape()重塑形状(行列转换)的用法 4.numpy.random生成随机数 5. fromstring/fromfunction(了解)
-
Python如何遍历numpy数组
目录 Python遍历numpy数组 numpy中数组的遍历技巧分享 1. 内置for循环 2. flat迭代器 3. nditer迭代器 Python遍历numpy数组 下面是示例代码: import numpy as np num = np.zeros([2, 3]) [rows, cols] = num.shape print(rows, cols) for i in range(rows): for j in range(cols): print(num[i, j
-
Python快速转换numpy数组中Nan和Inf的方法实例说明
在使用numpy数组的过程中时常会出现nan或者inf的元素,可能会造成数值计算时的一些错误.这里提供一个numpy库函数的用法,使nan和inf能够最简单地转换成相应的数值. numpy.nan_to_num(x): 使用0代替数组x中的nan元素,使用有限的数字代替inf元素 使用范例: >>>import numpy as np >>> a = np.array([[np.nan,np.inf],\ ... [-np.nan,-np.inf]]) >>
-
如何在向量化NumPy数组上进行移动窗口
今天很有可能你已经做了一些使用滑动窗口(也称为移动窗口)的事情,而你甚至不知道它.例如:许多编辑算法都是基于移动窗口的. 在GIS中做地形分析的大多数地形栅格度量(坡度.坡向.山坡阴影等)都基于滑动窗口.很多情况下,对格式化为二维数组的数据进行分析时,都很有可能涉及到滑动窗口. 滑动窗口操作非常普遍,非常有用.它们也很容易在Python中实现.学习如何实现移动窗口将把你的数据分析和争论技能提升到一个新的水平. 什么是滑动窗? 下面的例子显示了一个3×3(3×3)滑动窗口.用红色标注的数组元素是目
-
Python中优化NumPy包使用性能的教程
NumPy是Python中众多科学软件包的基础.它提供了一个特殊的数据类型ndarray,其在向量计算上做了优化.这个对象是科学数值计算中大多数算法的核心. 相比于原生的Python,利用NumPy数组可以获得显著的性能加速,尤其是当你的计算遵循单指令多数据流(SIMD)范式时.然而,利用NumPy也有可能有意无意地写出未优化的代码. 在这篇文章中,我们将看到一些技巧,这些技巧可以帮助你编写高效的NumPy代码.我们首先看一下如何避免不必要的数组拷贝,以节省时间和内存.因此,我们将需要深入Num
随机推荐
- Android ListView自定义Adapter实现仿QQ界面
- 根据配置文件加载js依赖模块
- showModalDialog模态对话框的使用详解以及浏览器兼容
- php mysqli查询语句返回值类型实例分析
- C语言中实现KMP算法的实例讲解
- Android崩溃异常捕获方法
- Ajax实现注册并选择头像后上传功能
- Linux 适合你吗?(一)
- jQuery中clearQueue()方法用法实例
- jQuery Mobile操作HTML5的常用函数总结
- JavaScript数据存储 Cookie篇
- JS实现的radio图片选择按钮效果
- js快速排序的实现代码
- Java使用agent实现main方法之前的实例详解
- Javascript自定义函数判断网站访问类型是PC还是移动终端
- Struts2 Result 参数详解
- HorizontalScrollView水平滚动控件使用方法详解
- 打开注册表,看优化软件在“搞什么鬼”
- PHP实现的DES加密解密类定义与用法示例
- C++中的new/delete、构造/析构函数、dynamic_cast分析