【脚本工具库】批量下采样图像(附源码)

在图像处理领域,我们经常需要对大批量图像进行下采样操作,以便减小图像的尺寸和文件大小,这对于节省存储空间和提高处理速度非常有帮助。手动操作不仅耗时,而且容易出错。为了解决这个问题,我们可以编写一个Python脚本,使用PIL库来自动化这个过程。本文将详细介绍如何编写一个批量下采样图像的脚本。

准备工作

在开始之前,请确保你的系统上已经安装了Python环境,并且安装了PIL(Python Imaging Library)库。可以使用以下命令安装PIL库:

bash 复制代码
pip install pillow
脚本源码

以下是完整的Python脚本源码,该脚本可以将指定文件夹中的图像按比例下采样,并保存到目标文件夹中。

python 复制代码
from PIL import Image
import os

# 下采样比例设置
scale = 1.0 / 8  # 下采样的倍数
source_path = r"E:\label2"  # 源图像文件夹路径
result_path = r"E:\label3"  # 结果图像文件夹路径

# 确保结果文件夹存在
if not os.path.exists(result_path):
    os.makedirs(result_path)

# 获取源文件夹中的所有图像文件,并按文件名排序
files = os.listdir(source_path)
files.sort(key=lambda x: int(x.split('.')[0]), reverse=False)

cnt = 1  # 用于结果文件命名的计数器

# 批量下采样并保存图像
for file in files:
    img = Image.open(os.path.join(source_path, file))
    if img.mode == "P":
        img = img.convert('RGB')
    width = int(img.size[0] * scale)
    height = int(img.size[1] * scale)
    img_resize = img.resize((width, height), Image.LANCZOS)
    img_resize.save(os.path.join(result_path, "%05d.png" % cnt))
    cnt += 1

print("批量下采样完成!")
使用说明
  1. 修改source_path为源图像文件夹的路径,result_path为目标文件夹的路径。
  2. 设置下采样比例scale,例如1.0 / 8表示将图像尺寸缩小至原来的1/8。
  3. 运行脚本,程序会将源文件夹中的所有图像按比例下采样,并按顺序保存到目标文件夹中。
  4. 每个下采样后的图像文件命名格式为00001.png, 00002.png,依次类推。
总结

这个脚本可以帮助你轻松地批量下采样图像,节省了大量的时间和精力。希望这个教程对你有所帮助。如果你有任何问题或建议,欢迎在评论区留言讨论。

感谢阅读!

相关推荐
github_is_geeksKai几秒前
浏览器 AI 小工具怎么选?40 个项目与 5 类商业任务的参考指南
人工智能
styshoo3 分钟前
[snapshot]7-placeholder与恢复流程
人工智能
用户9562562542910 分钟前
跟做:Firecrawl 单页转 Markdown 再丢进沙箱总结
python·api
威哥爱编程29 分钟前
模拟面试智能体开发实战 02:回答等半分钟,谁还愿意练?把服务端和流式输出搭起来
python·agent·harmonyos
这个DBA有点耶35 分钟前
库内计算推理:一条SQL背后的算子融合,和外挂方案差了几次网络往返
数据库·人工智能·sql
威哥爱编程38 分钟前
模拟面试智能体开发实战 01:面试挂了都不知道挂在哪?用 Python 给自己造一个随叫随到的 AI 面试官
python·agent·harmonyos
SelectDB42 分钟前
AI Agent 的分析数据存在哪里?Trace、Prompt 与会话数据的存储选型
人工智能
SelectDB1 小时前
京东 Apache Doris 湖仓查询优化实践:从多引擎统一到百万级查询
人工智能
2601_967980111 小时前
Python行情API量化 02:顺序拉 20 要 2 秒?并发批量把时间压到 0.5 秒
python·api·限流·并发·量化
伞伞悦读1 小时前
【第81期】特征缩放怎么选:标准化、MinMax 与 Robust 的原理、泄漏对照和完整实验
人工智能·python·深度学习·机器学习