在 python 中保存/读取彩色图像像素数据答案

【问题标题】：Saving/reading color image pixel data in python在 python 中保存/读取彩色图像像素数据
【发布时间】：2018-07-17 09:54:39
【问题描述】：

我正在尝试编写一种算法，将存储在每个文件名中的文件名和 3 通道 np.array 保存到 csv（或类似的文件类型），然后能够读取 csv 并再现彩色图像图片。

我的 csv 格式应该是这样的：

  Filename RGB
0 foo.png  np.array      # the shape is 100*100*3
1 bar.png  np.array
2 ...      ...

就目前而言，我正在遍历保存在目录中的每个文件并附加一个列表，该列表稍后将存储在 pandas.DataFrame 中：

df1= pandas.DataFrame()
df2= pandas.DataFrame()
directory= r'C:/my Directory'
fileList= os.listdir(directory)
filenameList= []
RGBList= []
for eachFile in fileList:
    filenameList.append(eachFile)
    RGBList.append(cv2.imread(directory + eachFile, 1).tostring())
df1["Filenames"]= filenameList
df2["RGB"]= RGBList
df1.to_csv('df1.csv')
df2.to_csv('df2.csv')

df1 可以根据需要发挥作用。我认为 df2 功能符合预期。 print 语句为 csv 的每一行显示正确的 len 30,000。但是，当我使用pandas.read_csv('df2') 读取csv 并使用print 语句查看第一行的len 时，我得到110541。我打算使用np.fromstring() 和np.reshape() 来重塑扁平的@ 987654331@ 从np.tostring() 生成，但出现错误：

ValueError: string size must be a multiple of element size

...因为元素数量不匹配。

我的问题是：

当我在 csv 中阅读时，为什么 len 会大很多？
是否有更有效的方法将 3 通道彩色图像像素数据写入可轻松读回的 csv？

【问题讨论】：

不确定我是否理解您的问题，但如果您为每个 8 位像素写入一个字节，您将得到一个每个像素有 1 个字节的行。如果您将186, 用于CSV 中的ASCII 像素，您将获得每个像素4 个字节-1 1 个字节，8 1 个字节，6 1 个字节和逗号1 个字节.这意味着您的文件将大 4 倍左右，即 110k 而不是 30k。
@MarkSetchell 我认为这正是正在发生的事情。有没有更好的方法将数据写入 csv 以避免这个问题？还是我在 read_csv 语句中缺少一些关键字参数？
没有更好的方法来编写 CSV - 问题是这是为人类而不是计算机设计的一种根本低效的格式。为什么选择 CSV？如果它必须对人类可读，你别无选择。如果它对人类来说难以辨认，但对计算机来说很容易辨认，请选择不同的格式。请回答上述问题，我会回复您。
@MarkSetchell 它不一定是 CSV。如果有更有效的方法来存储 100x100x3 np.array 并在保留形状的同时读取它，那将完全回答这个问题。
我更像是一个“形象”的人而不是一个“Python”的人，所以我想我最好把这个推荐给你...stackoverflow.com/a/28440249/2836621

标签： python image pandas csv numpy

【解决方案1】：

如果您为每个 8 位像素写入一个字节，您将得到一个每个像素有 1 个字节的行。因此，如果您的图像是 80 像素宽，那么您将获得每行 80 个字节。

如果您使用人类可读的 ASCII 格式编写 CSV，您将需要更多空间。想象第一个像素是 186。因此，您将编写一个1、一个8、一个6 和一个逗号 - 即现在第一个像素为 4 个字节，而不是二进制的单个字节，等等。

这意味着您的文件将大 3-4 倍左右，即 110k 而不是您所看到的 30k。

没有“更好的方法” 来编写 CSV - 问题是这是一种从根本上为人类而不是计算机设计的低效格式。为什么选择 CSV？如果它必须对人类可读，你别无选择。

如果它对人类来说难以辨认，但对计算机来说很容易辨认，请选择不同的格式，例如 np.save() 和 np.load() - 正如您已经明智地所做的那样；-)

【讨论】：