本章节为 图像数据 处理总结,其中包括图像的特征图像shape、灰度图等内容。
文本介绍关于数据分析工作中常用的 使用Python进行数据预处理 的方法总结。通过对图片数据、数值数字、文本数据、特征提取、特征处理等方面讲解作为一名数据分析师常用的数据处理套路。
import skimageimport numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom skimage import io
图像shapecat = io.imread('./datasets/cat.png')dog = io.imread('./datasets/dog.png')df = pd.DataFrame(['Cat', 'Dog'], columns=['Image'])# 显示图片的维度print(cat.shape, dog.shape)>>> (168, 300, 3) (168, 300, 3)cat #0-255,越小的值代表越暗,越大的值越亮>>> array([[[114, 105, 90], [113, 104, 89], [112, 103, 88], ..., [127, 130, 121], [130, 133, 124], [133, 136, 127]], [[ 33, 27, 29], [ 32, 26, 28], [ 31, 25, 27], ..., [131, 131, 131], [131, 131, 131], [130, 130, 130]]], dtype=uint8)# plt 显示图片#coffee = skimage.transform.resize(coffee, (300, 451), mode='reflect')fig = plt.figure(figsize = (16,8))ax1 = fig.add_subplot(1,2, 1)ax1.imshow(cat)ax2 = fig.add_subplot(1,2, 2)ax2.imshow(dog)
# 设置不同的色道dog_r = dog.copy() # 红dog_r[:,:,1] = dog_r[:,:,2] = 0 # set G,B pixels = 0dog_g = dog.copy() # 绿dog_g[:,:,0] = dog_r[:,:,2] = 0 # set R,B pixels = 0dog_b = dog.copy() # 蓝dog_b[:,:,0] = dog_b[:,:,1] = 0 # set R,G pixels = 0plot_image = np.concatenate((dog_r, dog_g, dog_b), axis=1)plt.figure(figsize = (10,4))plt.imshow(plot_image)
dog_r>>> array([[[160, 0, 0], [160, 0, 0], [160, 0, 0], ..., [113, 0, 0], [113, 0, 0], [112, 0, 0]], ...... [[164, 0, 0], [164, 0, 0], [164, 0, 0], ..., [209, 0, 0], [209, 0, 0], [209, 0, 0]]], dtype=uint8)
灰度图# 将图片转为黑白色fig = plt.figure(figsize = (16,8))ax1 = fig.add_subplot(2,2, 1)cat_ = Image.open('./datasets/cat.png')cat_ = cat_.convert("L")ax1.imshow(cat_, cmap="gray")ax2 = fig.add_subplot(2,2, 2)dog_ = Image.open('./datasets/dog.png')dog_ = dog_.convert("L")ax2.imshow(dog_, cmap='gray')
总结 以上是内存溢出为你收集整理的「数据分析师的基础算法应用」使用Python进行数据预处理方法 图像数据 总结全部内容,希望文章能够帮你解决「数据分析师的基础算法应用」使用Python进行数据预处理方法 图像数据 总结所遇到的程序开发问题。
如果觉得内存溢出网站内容还不错,欢迎将内存溢出网站推荐给程序员好友。
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)