python 實(shí)現(xiàn)從高分辨圖像上摳取圖像塊
我就廢話不多說(shuō)了,直接上代碼吧!
#coding=utf-8 import cv2 import numpy as np import os # 程序?qū)崿F(xiàn)功能: # 根據(jù)patch在高分辨率圖像上的索引值,crop出對(duì)應(yīng)區(qū)域的圖像 # 并驗(yàn)證程序的正確性 ''' 對(duì)于當(dāng)前輸入的3328*3328的高分辨率特征圖,首先resize到640*640 然后根據(jù)當(dāng)前的patch文件名(包含了patch在高分辨率圖像上的行索引和列索引) 這個(gè)索引值是將高分辨率圖像劃分成多個(gè)沒(méi)有overlap的256*256的圖像塊之后的行索引和列索引 行索引range(1,11),列索引range(0,12) 3328=13*256 ''' index='IDRiD_03_3_12.jpg' raw_img_path='F:\\2\\eye_seg_con\\eye_seg\\joint_data\\raw_image\\train' patches_path='F:\\2\\eye_seg_con\\eye_seg\\joint_data\\patches\\train' true_patches=cv2.imread(os.path.join(patches_path,index))[:,:,::-1] print(os.path.join(raw_img_path,index.split('_')[0]+index.split('_')[1]+'.jpg')) hr_img=cv2.imread(os.path.join(raw_img_path,index.split('_')[0]+'_'+index.split('_')[1]+'.jpg'))[:,:,::-1] hr_img=cv2.resize(hr_img,(640,640))# hr_img RGB ''' 640/13=49.23076923076923 記作unit 將640*640的區(qū)域平均劃分成13*13份,每一份的像素點(diǎn)大小是unit*unit 然后將對(duì)應(yīng)位置(取整)的圖像塊摳出來(lái),resize成256*256大小 ''' unit=640/13 patch_row_num = int(index[:-4].split('_')[2]) patch_col_num = int(index[:-4].split('_')[3]) row_start=round(patch_row_num*unit) row_end=round((patch_row_num+1)*unit) col_start=round(patch_col_num*unit) col_end=round((patch_col_num+1)*unit) my_patch=hr_img[row_start:row_end,col_start:col_end,:] my_patch=cv2.resize(my_patch,(256,256)) my_patch=np.array(my_patch,dtype=np.uint8) cv2.imshow('true_patches',true_patches[:,:,::-1]) cv2.waitKey(0) cv2.imshow('my_patch',my_patch[:,:,::-1]) cv2.waitKey(0) # # hr_img RGB # # # cv2.imshow('1',hr_img[:,:,::-1]) # # cv2.waitKey(0) # # hr_img2=cv2.imread(os.path.join(raw_img_path,index.split('_')[0]+'_'+index.split('_')[1]+'.jpg')) # hr_img2=cv2.resize(hr_img2,(640,640))[:,:,::-1]# hr_img2 RGB # # cv2.imshow('2',hr_img2[:,:,::-1]) # # cv2.waitKey(0) # # print(np.sum(hr_img2-hr_img))# 0 # 結(jié)論: # 對(duì)于cv2.resize函數(shù)而言,無(wú)論是先進(jìn)行BGR的通道轉(zhuǎn)換,再resize,還是先進(jìn)行resize,再進(jìn)行BGR通道轉(zhuǎn)換 # 所得到的圖像是相同的,即resize和通道維度的變換可交換順序 # 實(shí)際上resize只發(fā)生在spatial dimension,而通道變換發(fā)生在channels dimension,所以空間維度上的插值變換 # 是在每個(gè)通道維度上獨(dú)立進(jìn)行的。 # 另外,對(duì)于計(jì)算機(jī)而言,所讀取到的彩色圖像就是H*W*3的矩陣而已,它本身是沒(méi)有辦法區(qū)分究竟是BGR格式還是RGB格式的
以上這篇python 實(shí)現(xiàn)從高分辨圖像上摳取圖像塊就是小編分享給大家的全部?jī)?nèi)容了,希望能給大家一個(gè)參考,也希望大家多多支持腳本之家。
相關(guān)文章
python next()和iter()函數(shù)原理解析
這篇文章主要介紹了python next()和iter()函數(shù)原理解析,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2020-02-02Python模擬簡(jiǎn)易版淘寶客服機(jī)器人的示例代碼
這篇文章主要介紹了Python模擬簡(jiǎn)易版淘寶客服機(jī)器人的示例代碼,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2021-03-03python神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)利用PyTorch進(jìn)行回歸運(yùn)算
這篇文章主要為大家介紹了python神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)利用PyTorch進(jìn)行回歸運(yùn)算的實(shí)現(xiàn)代碼,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪2022-05-05Python pygorithm模塊用法示例【常見(jiàn)算法測(cè)試】
這篇文章主要介紹了Python pygorithm模塊用法,結(jié)合實(shí)例形式分析了pygorithm模塊的功能、安裝及針對(duì)常見(jiàn)算法的相關(guān)使用操作技巧,需要的朋友可以參考下2018-08-08詳解Python3操作Mongodb簡(jiǎn)明易懂教程
本篇文章主要介紹了詳解Python3操作Mongodb簡(jiǎn)明易懂教程,詳細(xì)的介紹了如何連接數(shù)據(jù)庫(kù)和對(duì)數(shù)據(jù)庫(kù)的操作,有需要的可以了解一下。2017-05-05深入理解NumPy簡(jiǎn)明教程---數(shù)組3(組合)
本篇文章對(duì)NumPy數(shù)組進(jìn)行較深入的探討。首先介紹自定義類型的數(shù)組,接著數(shù)組的組合,最后介紹數(shù)組復(fù)制方面的問(wèn)題,有興趣的可以了解一下。2016-12-12Python中l(wèi)ogging.NullHandler 的使用教程
這篇文章主要介紹了Python中l(wèi)ogging.NullHandler 的使用教程,非常不錯(cuò),具有一定的參考借鑒價(jià)值 ,需要的朋友可以參考下2018-11-11