Scipy Imsave

I denne artikkelen snakker vi om Python -programmering, Scipy Library og Imsave -funksjonen til Scipy Library of Python. Python er et objektorientert og et veldig fleksibelt programmeringsspråk og brukes nesten i hvert vitenskapelig, statistikk og matematikkfelt. Det er det mest avanserte språket bare på grunn av sin enkle og lettfattelige syntaks. Det gjør livet til dataforskere, dataanalytikere og forskere mer komfortable og feilfrie. Scientific Python brukes til bildebehandling, optimalisering, signaltolkning og mange flere.

Her vil vi diskutere om bildebehandling og bildemanipulering ved hjelp av scipy og numpy biblioteker. Denne artikkelen hjelper nybegynnere til å forstå hvordan de kan utføre bildebehandlingen i Python med færre kompleksiteter av kode. Vi vil diskutere hvert punkt med detaljerte og riktige eksempler.

Hva er Scipy Imsave?

Scipy Imsave -funksjonen brukes til bildebehandling og signaltolkning. Det brukes spesielt til å lagre et bilde i form av en matrise. Scipy -biblioteket lar oss enkelt lese og skrive bildefilene i Python -applikasjonene våre. Ved hjelp av IMSAVE -funksjonen kan vi enkelt håndtere bildene av forskjellige formater som PNG, JPEG og JPG uten å ha bekymring for forskjellige bildebakgrunner, farger, typer, formater osv. og lagre dem i en hvilken som helst katalog.

Ved hjelp av Scipy MISC -pakken kan vi dekke de forskjellige funksjonene som bildebehandling, bildefiltrering, bildebeskjæring og bildesparing. Scipy -biblioteket hjelper til med å lese og skrive bildene fra og til brukeren, hvordan du viser bildene i forskjellige farger, og hvordan vi kan lagre bildene i en mappe eller katalog. Siden bildeverdiene er i numpy matriser, brukes Scipy Imsave -funksjonen for å lagre numpy matriseverdiene til bildet i en mappe eller en lokal katalog.

Syntaks av Scipy Imsave -funksjon

IMSAVE -funksjonen er gitt i MISC -pakken til Scipy Library. Når vi trenger å bruke IMSave -funksjonen, må vi ringe MISC -modulen til Scipy Library. Syntaksen til Scipy Imsave -funksjonen er som følger:

IMSAVE -funksjonen inneholder tre parametere - Navn, ARR og format. "Navn" -parameteren betegner navnet på filen i streng- eller objektform. "ARR" -parameteren brukes til å gi todimensjonale, tredimensjonale eller flerdimensjonale numpy matriser som inneholder bildeverdiene. En todimensjonal matrise brukes til å lagre bilder av grå nivå mens den tredimensjonale arrayen lagrer røde, grønne og blå fargebilder. Sist, men ikke minst, lagrer den firedimensjonale arrayen alfa-lagbildene. Den siste parameteren er "Format" som spesifiserer formatet på bildet. "Formatet" brukes til å bestemme bildeutvidelsene som .png, .JPG, og så videre. La oss gå videre til eksemplet for å lære å bruke IMSAVE -funksjonen i Python -programmer.

Eksempel 1:

Det første eksemplet er veldig lineært og interessant. Referansekoden er nevnt i følgende illustrasjon for enkelhets skyld, så gå gjennom koden. Se følgende prøvekode:

Importer imageio
Fra Scipy Import Misc
Importer matplotlib.Pyplot som Plt
IMG = misc.ansikt()
Imageio.IMSAVE ('.// Desktop // Cat.jpg ', img)
plt.IMshow (IMG)
plt.forestilling()

Først importerer vi MISC -modulen fra Scipy Library. Sammen med det importeres Imageio Matplotlib -bibliotekene til programmet. Vi bruker "Face" -attributtet til MISC -pakken for å lese ansiktet til bildet og kalle det i "IMG" -variabelen. I IMSave () -metoden er et bilde plassert med adressen. Den første parameteren er adressen til bildet. Den andre parameteren er lesemetoden som skal utføres på det gitte bildet. Plt.IMshow () -funksjon brukes til å vise data- eller arrayverdiene som et bilde. Etter å ha kjørt dette programmet får vi følgende utdata:

Eksempel 2:

Dette eksemplet forklarer hvordan du oppretter et bilde ved å spesifisere arrayverdiene og lagre det i en spesifikk katalog. Vurder prøvekoden gitt i følgende skjermbilde:

Importer imageio
Importer numpy som NP
Fra Scipy Import Misc
IMG = NP.Zeros ((255, 255), dtype = np.uint8)
img [:] = np.Arange (255)
Imageio.IMSAVE ('./TESTIMAGE.png ', img)

I den første linjen importeres Imageio -biblioteket etterfulgt av Numpy Library som NP og Scipy Library for å ringe MISC -modulen. Etter det blir datarrayen erklært etterfulgt av typedata med NP.Zeros () -funksjon. Data -matrisen sendes til IMSave () -funksjonen for å lagre den som et bilde. La oss nå se hva slags bilde som er opprettet med de gitte dataene og IMSave () -funksjonen:

Eksempel 3:

Dette eksemplet viser oss hvordan vi kan lage og vise det grå fargekubbildet med IMSave () -funksjonen. La oss demonstrere koden som vil hjelpe deg å forstå programmet.

Importer imageio
Importer numpy som NP
Fra Scipy Import Misc
Importer matplotlib.Pyplot som Plt
plt.rcparams ["Figur.FigSize "] = [5, 5]
IMG = NP.tilfeldig.Rand (5, 5)
Imageio.IMSAVE ('./img.png ', img)
plt.grå()
plt.IMshow (IMG)

Her importeres fire biblioteker eksplisitt til programmet - Imageio, Numpy, Scipy og Matplotlib.

Etter å ha importert bibliotekene, PLT.rcparams [“Figur.Figsørrelse ”] brukes til å justere størrelsen på bildet som skal vises på skjermen. Ved hjelp av Numpy Library kalles RAND () -funksjonen med 2 parametere, og spesifiserer verdiene som definerer antall bokser i bildet. Verdien av RAND () -funksjonen er tilordnet "IMG" -variabelen. Imageio.IMSave () Fucntion er erklært med bildens navn og arrayverdier for å lage bildet. Bruke PLT.grå (), vi spesifiserer fargen på bildet. Bruke PLT.IMshow () -funksjonen, vi viser bildet på skjermen.

Skjermbildet til den resulterende utgangen er nevnt. Du kan også prøve dette programmet for praksis ved bare å endre verdiene og se resultatet.

Konklusjon

Til slutt, la oss raskt gjennomgå hele emnet på bare noen få linjer. Scipy gjør dataforskerne mer avslappet ved å tilby et bredt spekter av biblioteker for å håndtere komplekse applikasjoner. Denne artikkelen handler om Scipy Imsave -funksjonen. Vi lærte om IMSAVE som er en funksjon av Scipy Library Sub-Package Name Image Processing. Det er en innebygd scipy-funksjon og brukes til å lagre bildet i en lokal katalog eller en hvilken som helst nevnt bane. Nå, etter å ha lært om bildebehandling, kan du enkelt utføre de forskjellige operasjonene på bildet og lagre et bilde på ønsket sted. Forhåpentligvis kan de medfølgende eksemplene hjelpe deg mye, og du kan øve på slutten ved å gjøre forskjellige endringer.