【PyTorch】【机器学习】图片张量、通道分解&合成和裁剪

一、导入所需库

python 复制代码
from PIL import Image
import torch
import numpy as np
import matplotlib.pyplot as plt

二、读取图片

python 复制代码
pic = np.array(Image.open('venice-boat.jpg'))

上述代码解释:先用Image.open()方法读取jpg格式图片,再用np.array()方法将图片转成numpy数组(ndarray)格式。

三、建立张量

图片在PyTorch中以3维张量表示。以下代码将图片转换成张量形式:

python 复制代码
pic_tensor = torch.from_numpy(pic)

打印张量数据内容:

python 复制代码
print(pic_tensor)

输出:

python 复制代码
tensor([[[ 47, 138, 221],  # 每个像素点的RGB颜色值
         [ 49, 138, 220],
         [ 50, 139, 221],
         ...,
         [ 89, 149, 221],
         [ 87, 150, 221],
         [ 86, 149, 220]],

        [[ 47, 138, 221],
         [ 49, 138, 220],
         [ 50, 139, 221],
         ...,
         [ 88, 148, 220],
         [ 85, 148, 219],
         [ 85, 148, 219]],

        [[ 47, 138, 221],
         [ 49, 138, 220],
         [ 50, 139, 221],
         ...,
         [ 84, 147, 218],
         [ 84, 147, 218],
         [ 83, 146, 217]],

        ...,

四、通过张量对图片进行操作

(注:在以下的各个操作下,还需要用plt.show()语句才能将图片输出到屏幕上。)

1、打印整张图片

python 复制代码
plt.imshow(pic)

2、分RGB通道打印图片

输出通道1:
python 复制代码
plt.imshow(pic_tensor[:, :, 0].numpy())
输出通道2:
python 复制代码
plt.imshow(pic_tensor[:, :, 1].numpy())
输出通道3:
python 复制代码
plt.imshow(pic_tensor[:, :, 2].numpy())


注意: 三通道并不是简单的算术叠加,例如以下代码的输出和原图大相径庭:

python 复制代码
from PIL import Image
import torch
import numpy as np
import matplotlib.pyplot as plt


pic_1 = np.array(Image.open('Channel_1.jpg'))
pic_2 = np.array(Image.open('Channel_2.jpg'))
pic_3 = np.array(Image.open('Channel_3.jpg'))

pic_tensor_1 = torch.from_numpy(pic_1)
pic_tensor_2 = torch.from_numpy(pic_2)
pic_tensor_3 = torch.from_numpy(pic_3)

pic_tensor = pic_tensor_1 + pic_tensor_2 + pic_tensor_3
plt.imshow(pic_tensor.numpy())

plt.show()

输出图片:

3、裁剪图片

对图片张量的裁剪在其前2个维度上进行(第3个维度为颜色通道),示例代码如下:

python 复制代码
plt.imshow(pic_tensor[50: 1050, 400: 800, :].numpy())

裁剪结果:

相关推荐
王者鳜錸6 分钟前
基于Selenium和AI的图像处理
图像处理·人工智能·selenium
song150265372988 分钟前
全检垫圈垫片 视觉检测设备 在线自动化瑕疵检测机
人工智能·自动化·视觉检测
song1502653729814 分钟前
铜鼻子冷压端子视觉检测机 尺寸外观瑕疵自动化检测设备
人工智能·自动化·视觉检测
wzx_Eleven18 分钟前
【论文阅读】AAAI 2025 | 面向精确分割式联邦学习的多模型聚合与知识重放
论文阅读·人工智能·机器学习
Zack_Liu19 分钟前
LSS论文阅读
论文阅读·人工智能·目标跟踪
张较瘦_21 分钟前
[论文阅读] AI + Debug | 基于大语言模型的GitHub故障复现测试用例生成方法解析
论文阅读·人工智能·语言模型
Small___ming21 分钟前
【论文笔记】扩散模型——如何通俗理解传统概率模型的核心矛盾
论文阅读·人工智能·扩散模型·生成式人工智能
时序之心21 分钟前
时序论文速递:覆盖时间序列预测、分类、异常检测及交叉应用!(10.20-10.24)
人工智能·分类·数据挖掘·论文·时间序列
会笑的小熊24 分钟前
论文阅读笔记——数据增强
人工智能·计算机视觉
张较瘦_26 分钟前
[论文阅读] AI + 软件工程 | 从“能用”到“耐用”:LLM生成软件的老化陷阱与研究突破
论文阅读·人工智能·软件工程