目录

  • 1、np.ndarray与PIL.Image的转换
  • 2、PIL.Image转Opencv
  • 3、torch.Tensor与np.ndarray转换
  • 4、torch.tensor与PIL.Image转换
  • 5、tensor张量与list相互转换
  • 6、tensor张量常见类型转换
  • 7、torchvision.transforms.ToTensor(ndarry/PIL)
  • 8、为什么pytorch中transforms.ToTorch要把(H,W,C)的矩阵转为(C,H,W)?
  • 9、cv2.imshow()显示图片时会自动匹配数据类型


参考链接：
https://mp.weixin.qq.com/s/yz8l54VusPWmF6dWkYL1VAhttps://zhuanlan.zhihu.com/p/87441580https://www.jb51.net/article/177575.htm

1、np.ndarray与PIL.Image的转换

image = PIL.Image.fromarray(ndarray.astype(uint8))
ndarray = np.asarray(PIL.Image.open(path))

2、PIL.Image转Opencv

image = cv2.cvtColor(numpy.asarray(PIL.Image.open(path)),cv2.COLOR_RGB2BGR)
image = PIL.Image.fromarray(cv2.cvtColor((cv2.imread(path),cv2.COLOR_BGR2RGB))

3、torch.Tensor与np.ndarray转换

ndarray = tensor.cpu().numpy()
tensor = torch.from_numpy(ndarray).float()
tensor = torch.from_numpy(ndarray.copy()).float() # If ndarray has negative stride.

4、torch.tensor与PIL.Image转换

# pytorch中的张量默认采用[N, C, H, W]的顺序，并且数据范围在[0,1]，需要进行转置和规范化
# torch.Tensor -> PIL.Image
image = PIL.Image.fromarray(torch.clamp(tensor*255, min=0, max=255).byte().permute(1,2,0).cpu().numpy())
image = torchvision.transforms.functional.to_pil_image(tensor)  # Equivalently way

# PIL.Image -> torch.Tensor
path = r'./figure.jpg'
tensor = torch.from_numpy(np.asarray(PIL.Image.open(path))).permute(2,0,1).float() / 255
tensor = torchvision.transforms.functional.to_tensor(PIL.Image.open(path)) # Equivalently way

pytorch 分类变量实体嵌入做特征提取 pytorch类型转换_数据类型

5、tensor张量与list相互转换

tensor转list

a = torch.ones([1,5])
# tensor([[1., 1., 1., 1., 1.]])
b = a.tolist()
# [[1.0, 1.0, 1.0, 1.0, 1.0]]

list转tensor

a=list(range(1,6))
# [1, 2, 3, 4, 5]
b=torch.tensor(a)
# tensor([1, 2, 3, 4, 5])

6、tensor张量常见类型转换

tensor = torch.Tensor(3, 5)

# torch.long() 将tensor投射为long类型
newtensor = tensor.long()

# torch.half()将tensor投射为半精度浮点类型
newtensor = tensor.half()

# torch.int()将该tensor投射为int类型
newtensor = tensor.int()

# torch.double()将该tensor投射为double类型
newtensor = tensor.double()

# torch.float()将该tensor投射为float类型
newtensor = tensor.float()

# torch.char()将该tensor投射为char类型
newtensor = tensor.char()

# torch.byte()将该tensor投射为byte类型
newtensor = tensor.byte()

# torch.short()将该tensor投射为short类型
newtensor = tensor.short()

7、torchvision.transforms.ToTensor(ndarry/PIL)

注意： 这种转化方式会将数据归一化，不过cv2.imshow()显示图片时会自动将归一化的像素值乘以255，自己之前将经过ToTensor归一化的像素值直接乘以255再输入给imshow函数结果都是白色，原来imshow函数内部判断数据类型是float32会自己处理。

8、为什么pytorch中transforms.ToTorch要把(H,W,C)的矩阵转为(C,H,W)?

https://www.zhihu.com/question/310094451

因为pytorch很多函数都是设计成假设你的输入是 （c，h，w）的格式，当然你如果不嫌麻烦的话可以每次要用这些函数的时候转成chw格式，但我想这会比你输入的时候就转成chw要麻烦很多至于为什么pytorch选择设计成chw而不是hwc（毕竟传统的读图片的函数opencv的cv2.imread或者sklearn的imread都是读成hwc的格式的）这点确实比较令初学者困惑。个人感觉是因为pytorch做矩阵加减乘除以及卷积等运算是需要调用cuda和cudnn的函数的，而这些接口都设成成chw格式了，故而pytorch为了方便起见也设计成chw格式了那新问题就来了，cuda和cudnn为什么设计成chw格式呢？我想这是由于涉及到图片操作的都是和卷积相关的，而内部做卷积运算的加速设计成chw在操作上会比hwc处理起来更容易，更快。题主如果想进一步了解可以google一下cudnn的卷积实现。

9、cv2.imshow()显示图片时会自动匹配数据类型

对于imshow函数，opencv的官方注释指出：根据图像的深度，imshow函数会自动对其显示灰度值进行缩放，规则如下：

1.如果图像数据类型是8U（8位无符号），则直接显示。
2.如果图像数据类型是16U（16位无符号）或32S（32位有符号整数），则imshow函数内部会自动将每个像素值除以256并显示，即将原图像素值的范围由[0255*256]映射到[0255]
3.如果图像数据类型是32F（32位浮点数）或64F（64位浮点数），则imshow函数内部会自动将每个像素值乘以255并显示，即将原图像素值的范围由[01]映射到[0255]（注意：原图像素值必须要归一化）
Opencv中的imshow函数详解