随着机器学习深度学习的不断发展,计算机视觉被广大研究者青睐。
为满足模型的训练需要,往往对图片数据采取数据预处理 *** 作。
由于训练模型需要大量的数据支撑,数据集不足会影响最后的实验结果。
大家如果遇到数据集数据量不足的情况下可采用数据增强技术进行数据量的扩充。
下面是图像数据处理的部分 *** 作,实现RGB图片批量转成灰度图片:
from skimage import io, transform, color
import numpy as np
def convert_gray(f, **args): # 图片处理与格式化的函数
rgb = io.imread(f) # 读取图片
gray = color.rgb2gray(rgb) # 将彩色图片转换为灰度图片
dst=transform.resize(gray,(300,300)) # 调整大小,图像分辨率为300*300
return gray
datapath = r'H:\article\dataset\rock\RGB' # 原来彩色图片路径
str = datapath + '/*.jpg' # 识别.jpg的图像
coll = io.ImageCollection(str, load_func=convert_gray) # 批处理
for i in range(len(coll)):
io.imsave(r'H:\article\dataset\rock\Gray\Grayrock' + np.str(i) + '.jpg', coll[i]) # 保存图片在 H:\article\dataset\rock\Gray\Grayrock
(1)# 读取原来彩色图片的绝对路径 datapath = r'H:\article\dataset\rock\RGB' (2)# 转换后图片的保存路径 io.imsave(r'H:\article\dataset\rock\Gray\Grayrock' + np.str(i) + '.jpg', coll[i])大家在使用时只需要修改代码段中的上述两个路径
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)