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]