將Numpy陣列儲存為影象
有一個Numpy陣列型別的矩陣，如何將它作為影象寫入磁碟？任何格式的影象都行(PNG，JPEG，BMP ...)。
最佳解決辦法
可以使用scipy.misc，程式碼如下：
-
import scipy.misc -
scipy.misc.imsave('outfile.jpg', image_array)
上面的scipy版本會標準化所有影象，以便min(資料)變成黑色，max(資料)變成白色。如果資料應該是精確的灰度級或準確的RGB通道，則解決方案為：
-
import scipy.misc -
scipy.misc.toimage(image_array, cmin=0.0, cmax=...).save('outfile.jpg')
第二種解決辦法
使用PIL。
給定一個numpy陣列"A"：
-
from PIL import Image -
im = Image.fromarray(A) -
im.save("your_file.jpeg")
你可以用幾乎任何你想要的格式來替換"jpeg"。有關格式詳見here更多細節
第三種辦法
純Python(2& 3)，沒有第三方依賴關係的程式碼片段。
此函式寫入壓縮的真彩色(每個畫素4個位元組)RGBA PNG。
-
def write_png(buf, width, height): -
""" buf: must be bytes or a bytearray in Python3.x, -
a regular string in Python2.x. -
""" -
import zlib, struct -
# reverse the vertical line order and add null bytes at the start -
width_byte_4 = width * 4 -
raw_data = b''.join(b'\x00' + buf[span:span + width_byte_4] -
for span in range((height - 1) * width_byte_4, -1, - width_byte_4)) -
def png_pack(png_tag, data): -
chunk_head = png_tag + data -
return (struct.pack("!I", len(data)) + -
chunk_head + -
struct.pack("!I", 0xFFFFFFFF & zlib.crc32(chunk_head))) -
return b''.join([ -
b'\x89PNG\r\n\x1a\n', -
png_pack(b'IHDR', struct.pack("!2I5B", width, height, 8, 6, 0, 0, 0)), -
png_pack(b'IDAT', zlib.compress(raw_data, 9)), -
png_pack(b'IEND', b'')])
...資料應直接寫入以二進位制開啟的檔案，如下所示：
-
data = write_png(buf, 64, 64) -
with open("my_image.png", 'wb') as fd: -
fd.write(data)
第四種辦法
用matplotlib：
-
import matplotlib -
matplotlib.image.imsave('name.png', array)
適用於matplotlib 1.3.1，不確定更低的版本是否有效。文件：
-
Arguments: -
*fname*: -
A string containing a path to a filename, or a Python file-like object. -
If *format* is *None* and *fname* is a string, the output -
format is deduced from the extension of the filename. -
*arr*: -
An MxN (luminance), MxNx3 (RGB) or MxNx4 (RGBA) array.
第五種辦法
如果使用matplotlib，也可以這樣做：
-
import matplotlib.pyplot as plt -
plt.imshow(matrix) #Needs to be in row,col order -
plt.savefig(filename)
這將儲存plot(而不是影象本身)。
第6種辦法
-
import cv2 -
import numpy as np -
cv2.imwrite("filename.png", np.zeros((10,10)))
如果你需要做更多的處理，而不是儲存，這個庫比較有用。