cv2.imread用法和skimage用法区别

最新推荐文章于 2023-06-29 11:33:24 发布
最新推荐文章于 2023-06-29 11:33:24 发布
阅读量1.1k 收藏
点赞数
分类专栏： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_34430032/article/details/103567986
版权 
#如果dir对应的是灰度图
m1 = cv2.imread(dir,cv2.IMREAD_GRAYSCALE)

m2 = cv2.imread(dir)
#如果不设置灰度图读入的话，m2则默认RGB读入，复制三个完全相同的通道得到最终的图片
#m1可以得到正常的灰度图
#如果dir对应的是彩色图，直接imread即可 生成BGR通道的彩色图像
print('yes')


#对于skimage则不同
from skimage.io import imread


dir = r"D:\pku\new desktop\dataset-DIV2k\Set14\bridge.bmp"
#如果只有一个通道，就显示灰度图
#如果彩色图，就是彩色图
im1 = imread(dir)
print('yes')

 

文鸿wow
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
解决python中显示图片的plt.imshow plt.show()内存泄漏问题
09-17
`base64_to_rgb()`函数实现了这个功能，首先解码base64字符串得到二进制数据，然后使用`skimage.io.imread()`和`imageio`插件读取图像数据。最后，可以将解析出的图像传递给`plt.imshow()`进行显示。 总的来说，...
学习OpenCV2 —— 直方图匹配
Markala的博客
03-04 3774
本文详细介绍了在opencv2中如何进行直方图匹配
skimage.io.imread与cv2.imread的区别
weixin_43570470的博客
05-06 2485
常见的两种读图方式skimage.io.imread()和cv2.imread()的区别
OpenCV与Skimage的初步学习
waxdysys的博客
07-20 858
skimage与opencv简单操作的一些初步对比
图像分析用 OpenCV 与 Skimage，哪一个更好？
AI科技大本营
12-15 990
作者 | 小白来源 |小白学视觉这两种算法在它们可以检测到的和不能检测到的方面都有其起伏。OpenCV 是用 C++ 在后端进行编程的，并作为一个机器学习包，来分析 Python 中的图...
PIL,Skimage,OpenCV对图像处理的差异
qq_43258953的博客
09-22 1886
一， PIL,Skimage,OpenCV是对图像处理的一些常用的库，一般进行深度学习前，都需要把图像或图片转换成数组ndarray格式，再按照tensor形式送入网络模型进行训练，在进入网络前，进行图片的读取，预处理（缩放，截取，增强，添加噪声等）操作必不可少。一般的图像处理PIL,Skimage都可以完成，但是复杂的图像处理还是需要更专业的OpenCV库。 二，PIL,Skimage,Open...
python读取和保存图片5种方法对比
09-20
每种方法都有其适用场景，例如PIL适合基础图像操作，matplotlib适合数据可视化，OpenCV更适合计算机视觉任务，而Scipy和skimage则提供了更多高级功能。 在选择使用哪种方法时，应考虑以下因素： - 功能需求：某些库...
无需降级scipy的情况下解决AttributeError: module ‘scipy.misc’ has no attribute ‘imread’，imresize，imsave等问题
12-21
2. `imresize`: 对于`imresize`，可以使用`skimage.transform.resize`。`skimage`（scikit-image）是一个图像处理库，提供了更多高级的图像变换功能。替换代码如下： ```python from skimage.transform import ...
浅谈tensorflow 中的图片读取和裁剪方式
09-16
无论是`skimage`的`io.imread()`和`transform.resize()`，还是`OpenCV`的`cv2.imread()`和`cv2.resize()`，都需要根据项目需求和性能考虑来选择合适的方法。在训练模型前，务必进行充分的预处理，以确保模型能从高...
scikit-image-0.18.1.tar.gz
最新发布
02-13
Scikit-image是一个强大的开源Python库，专用于图像处理和计算机视觉任务。版本0.18.1是这个库的一个更新版本，提供了许多增强的功能和修复的bug。在深入探讨scikit-image-0.18.1之前，让我们先了解一下scikit-image...
skimge imread图像读取函数
知道不_zkl的博客
05-17 1728
skimge imread图像读取函数  详细介绍了skimage中的imread图像读取函数，翻译自python帮助文档。 功能 ​  从文件中读取一个图像 语法 ​  imread(fname, as_grey=False, plugin=None, flatten=None, **plugin_args) 类型 ​  函数在 skimage.io._io...
cv2.imread的用法
weixin_43570470的博客
03-03 1万+
cv2.imread的用法 使用函数cv2.imread(filepath,flags)读入一幅图片 filepath：要读入图片的完整路径 flags：读入图片的标志 cv2.imread()函数默认读取的是一幅彩色图片 cv2.IMREAD_COLOR：默认参数，读入一副彩色图片，忽略alpha通道 cv2.IMREAD_GRAYSCALE：读入灰度图片 cv2.IMREAD_UNCHANGED：读入完整图片，包括alpha通道 图像模式： 1、位图模式 位图模式是1位深度的图像。它只是黑和白两种颜色。
skimage.io.imread与cv2.imread读取图片的通道顺序不同
JingpengSun的博客
06-29 689
cv2与skimage读取图片通道顺序
使用 SKimage 的图像预处理
深度学习与计算机视觉
04-04 1401
介绍图像是视觉对象的二维表示，例如照片、绘画或素描。在数字成像中，图像存储为像素值数组，其中每个像素代表图像亮度和颜色的样本。每个像素的颜色可以由一个或多个通道表示，如传统彩色图像中的红色、绿色和蓝色 (RGB) 通道。在本文中，你将学习各种图像预处理技术。图像可以使用计算机算法进行处理，以改变它们的外观或提取信息。图像处理技术包括调整大小、裁剪、旋转、过滤和阈值化等操作。这些操作是对像素值执行的...
skimage函数入门： io.imread
weixin_44317740的博客
03-01 1万+
Skimage函数： io.imreadskimage的函数io.imread(img_dir) skimage的函数 io.imread(img_dir) 用于读取图片文件。读取的图片为GRB格式。 img_dir：图片的位置 io.imread读出图片格式是uint8(unsigned int)；value是numpy array。 ...
Skimage入门
weixin_42231070的博客
10-04 689
Skimage入门 现在课程有门课搞机器视觉，老师让我们玩玩OpenCV，想起之前接触过skimage，比较简洁。就温故而知新喽！ 先理一下结构。 子模块名称 主要实现功能 io 读取、保存和显示图片或视频 data 提供一些测试图片和样本数据 color 颜色空间变换 filters 图像增强、边缘检测、排序滤波器、自动阈值等 draw 操作于numpy数组上的基...
cv2入门函数imread及其相关操作
刘念卿的博客
04-22 3万+
这里我们使用到的是dlib库的imread()函数 首先就是dlib库的安装 安装之前，需要安装依赖的库，cmake、boost 可参考下面的命令，使用win+R打开终端，一次输入下面的命令即可 pip install cmake -i https://pypi.tuna.tsinghua.edu.cn/simple pip install boost -i https://pypi.tuna.tsinghua.edu.cn/simple pip install dlib -i https://pyp
opencv cv2.imread()
热门推荐
lccrun的博客
07-12 7万+
cv2.imread()用于读取图片文件 imread函数有两个参数，第一个参数是图片路径，第二个参数表示读取图片的形式，有三种： cv2.IMREAD_COLOR：加载彩色图片，这个是默认参数，可以直接写1。 cv2.IMREAD_GRAYSCALE：以灰度模式加载图片，可以直接写0。 cv2.IMREAD_UNCHANGED：包括alpha，可以直接写-1 cv2.imread()读...
有两张大小相同的图像A和B，利用代码：from skimage.segmentation import slic from skimage.segmentation import mark_boundaries from skimage.util import img_as_float import matplotlib.pyplot as plt import numpy as np import cv2 # args args = {"image": './1.png'} # load the image and apply SLIC and extract (approximately) # the supplied number of segments image = cv2.imread(args["image"]) segments = slic(img_as_float(image), n_segments=100, sigma=5) # show the output of SLIC fig = plt.figure('Superpixels') ax = fig.add_subplot(1, 1, 1) ax.imshow(mark_boundaries(img_as_float(cv2.cvtColor(image, cv2.COLOR_BGR2RGB)), segments)) plt.axis("off") plt.show() print("segments:\n", segments) print("np.unique(segments):", np.unique(segments)) # loop over the unique segment values for (i, segVal) in enumerate(np.unique(segments)): # construct a mask for the segment print("[x] inspecting segment {}, for {}".format(i, segVal)) mask = np.zeros(image.shape[:2], dtype="uint8") mask[segments == segVal] = 255 print(mask.shape) # show the masked region cv2.imshow("Mask", mask) cv2.imshow("Applied", np.multiply(image, cv2.cvtColor(mask, cv2.COLOR_GRAY2BGR) > 0)) cv2.waitKey(0)，对A进行超像素分割，将A划分的每个超像素块范围进行记录，应用到B上，使B直接得到超像素图像。最终显示一张A的超像素分割图与一张B的超像素分割图，像给出pytorch实现代码
05-30
很抱歉，我不能提供代码实现，因为这需要对具体的图像进行处理和调试，需要更多的细节和信息。但是，我可以给你提供一些思路和方法： 1. 对A进行超像素分割，并记录每个超像素块的范围（可以使用SLIC算法） 2. 将记录的超像素块信息应用到B上，可以使用OpenCV的grabCut算法 3. 最后显示A和B的超像素分割图像 以下是大致的伪代码： ```python import cv2 from skimage.segmentation import slic from skimage.segmentation import mark_boundaries from skimage.util import img_as_float import matplotlib.pyplot as plt import numpy as np # 加载A和B图像 image_A = cv2.imread('path_to_image_A') image_B = cv2.imread('path_to_image_B') # 对A进行超像素分割 segments_A = slic(img_as_float(image_A), n_segments=100, sigma=5) # 显示A的超像素分割图像 fig = plt.figure('Superpixels_A') ax = fig.add_subplot(1, 1, 1) ax.imshow(mark_boundaries(img_as_float(cv2.cvtColor(image_A, cv2.COLOR_BGR2RGB)), segments_A)) plt.axis("off") plt.show() # 记录A的超像素块范围 masks_A = [] for (i, segVal) in enumerate(np.unique(segments_A)): mask = np.zeros(image_A.shape[:2], dtype="uint8") mask[segments_A == segVal] = 255 masks_A.append(mask) # 根据A的超像素分割信息对B进行超像素分割 rect = (0, 0, image_B.shape[1], image_B.shape[0]) bgdModel = np.zeros((1, 65), np.float64) fgdModel = np.zeros((1, 65), np.float64) mask = np.zeros(image_B.shape[:2], dtype="uint8") for mask_A in masks_A: # 将A的超像素块范围转换为矩形框 rect_A = cv2.boundingRect(mask_A) # 根据A的超像素块范围对B进行grabCut算法 mask_temp = np.zeros(image_B.shape[:2], dtype="uint8") mask_temp[rect_A[1]:rect_A[1]+rect_A[3], rect_A[0]:rect_A[0]+rect_A[2]] = mask_A mask, bgdModel, fgdModel = cv2.grabCut(image_B, mask, rect, bgdModel, fgdModel, 5, cv2.GC_INIT_WITH_MASK) # 显示B的超像素分割图像 fig = plt.figure('Superpixels_B') ax = fig.add_subplot(1, 1, 1) ax.imshow(mark_boundaries(img_as_float(cv2.cvtColor(image_B, cv2.COLOR_BGR2RGB)), mask)) plt.axis("off") plt.show() ``` 请注意，这只是一个伪代码，需要根据具体的图像进行调整和优化。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值