python 将本地图像读成二进制
从本地读取图片并转成二进制
图片是我们日常生活中经常接触到的一种媒体形式,我们经常需要对图片进行处理,比如上传到网页、存储到数据库或者进行深度学习的训练等。在Python中,我们可以使用一些库来实现对本地图片的读取和转换操作。本文将介绍如何使用Python读取本地图片并将其转换为二进制格式。
准备工作
首先,我们需要安装Pillow库,这是一个Python Imaging Library(PIL)的分支。Pillow库提供了一系列处理图片的功能,包括读取、保存和处理各种图片格式。可以使用以下命令来安装Pillow库:
pip install Pillow
读取图片
要读取本地图片,我们需要提供图片的路径。可以是相对路径或绝对路径。以下是一个例子,我们将读取名为"example.jpg"的图片:
from PIL import Image
# 打开图片
image = Image.open("example.jpg")
这里使用了Pillow库的open
函数来打开图片。如果图片文件不存在或者无法打开,将会抛出一个异常。
转换为二进制
一旦我们读取了图片,我们可以使用open
函数返回的Image对象的方法和属性来访问和操作图片的内容。要将图片转换为二进制格式,我们可以使用tobytes
方法:
# 转换为二进制
binary_data = image.tobytes()
这里,我们调用了Image对象的tobytes
方法,该方法将返回一个表示图片内容的二进制字符串。注意,这里返回的是二进制字符串而不是字节对象。
存储二进制数据
有了图片的二进制数据,我们可以将其存储到文件中或者进行其他处理。以下是一个例子,我们将二进制数据存储到一个新的文件中:
# 存储二进制数据到文件
with open("example.bin", "wb") as f:
f.write(binary_data)
这里,我们使用内置的open
函数以二进制写入模式打开一个新文件,并将二进制数据写入文件中。请注意,需要使用二进制写入模式,即"wb"
,以确保二进制数据正确地写入文件。
完整示例
以下是一个完整的示例代码,演示了如何读取本地图片并将其转换为二进制格式,并将二进制数据存储到文件中:
from PIL import Image
# 打开图片
image = Image.open("example.jpg")
# 转换为二进制
binary_data = image.tobytes()
# 存储二进制数据到文件
with open("example.bin", "wb") as f:
f.write(binary_data)
使用这个示例代码,你可以将自己的图片替换"example.jpg"并运行代码,将图片转换为二进制数据并存储到文件中。
总结
在本文中,我们介绍了如何使用Python读取本地图片并将其转换为二进制格式。首先,我们使用Pillow库的open
函数打开图片,然后使用Image对象的tobytes
方法将其转换为二进制数据,最后使用open
函数以二进制写入模式将二进制数据存储到文件中。希望本文对你理解如何处理本地图片并转换为二进制数据有所帮助。
参考资料
- [Pillow Documentation](
- [Python File I/O](
上一篇: 地膜的使用
推荐阅读
-
[姿势估计] 实践记录:使用 Dlib 和 mediapipe 进行人脸姿势估计 - 本文重点介绍方法 2):方法 1:基于深度学习的方法:。 基于深度学习的方法:基于深度学习的方法利用深度学习模型,如卷积神经网络(CNN)或递归神经网络(RNN),直接从人脸图像中学习姿势估计。这些方法能够学习更复杂的特征表征,并在大规模数据集上取得优异的性能。方法二:基于二维校准信息估计三维姿态信息(计算机视觉 PnP 问题)。 特征点定位:人脸姿态估计的第一步是通过特征点定位来检测和定位人脸的关键点,如眼睛、鼻子和嘴巴。这些关键点提供了人脸的局部结构信息,可用于后续的姿势估计。 旋转表示:常见的旋转表示方法包括欧拉角和旋转矩阵。欧拉角通过三个旋转角度(通常是俯仰、偏航和滚动)描述头部的旋转姿态。旋转矩阵是一个 3x3 矩阵,表示头部从一个坐标系到另一个坐标系的变换。 三维模型重建:根据特征点的定位结果,三维人脸模型可用于姿势估计。通过将人脸的二维图像映射到三维模型上,可以估算出人脸的旋转和平移信息。这就需要建立人脸的三维模型,然后通过优化方法将模型与特征点对齐,从而获得姿势估计结果。 特征点定位 特征点定位是用于检测人脸关键部位的五官基础部分,还有其他更多的特征点表示方法,大家可以参考我上一篇文章中介绍的特征点检测方案实践:人脸校正二次定位操作来解决人脸校正的问题,客户在检测关键点的代码上略有修改,坐标转换部分客户见上图 def get_face_info(image). img_copy = image.copy image.flags.writeable = False image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) results = face_detection.process(image) # 在图像上绘制人脸检测注释。 image.flags.writeable = True image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR) box_info, facial = None, None if results.detections: for detection in results. for detection in results.detections: mp_drawing.Drawing.detection = 无 mp_drawing.draw_detection(image, detection) 面部 = detection.location_data.relative_keypoints 返回面部 在上述代码中,返回的数据是五官(6 个关键点的坐标),这是用 mediapipe 库实现的,下面我们可以尝试用另一个库:dlib 来实现。 使用 dlib 使用 Dlib 库在 Python 中实现人脸关键点检测的步骤如下: 确保已安装 Dlib 库,可使用以下命令: pip install dlib 导入必要的库: 加载 Dlib 的人脸检测器和关键点检测器模型: 读取图像并将其灰度化: 使用人脸检测器检测图像中的人脸: 对检测到的人脸进行遍历,并使用关键点检测器检测人脸关键点: 显示绘制了关键点的图像: 以下代码将参数 landmarks_part 添加到要返回的关键点坐标中。
-
将 Python 十进制转换为二进制、八进制和十六进制
-
Python 人脸识别检测(本地图像)
-
使用 python 的 fitz 库将 pdf 文件转换为 HTML 或图像文件
-
Python-GDAL 将 MODIS HDF 图像写入并导出到 GeoTiff。
-
OpenCV 提示 | 将常见格式的图像保存为透明背景图片(含 Python 源代码) - 教您轻松创建 Logo
-
[python]将多个图像合并成一个 pdf 文件
-
python 将本地图像读成二进制
-
easypoi 将网络图像、本地图像导出到 excel
-
如何将画布保存为图像并下载到本地