用python进行图像处理中分别用到过matplotlib.pyplot、PIL、cv2三种库，这三种库图像读取和保存方法各异，并且图像读取时顺序也有差异，如plt.imread和PIL.Image.open读入的都是RGB顺序，而cv2.imread读入的是BGR顺序。使用时需要倍加注意。
1. cv2，matplotlib，PIL比较
- 读取图像
1.cv2.imread
opencv读进来的是numpy数组，是uint8类型，0-255范围，图像形状是（H,W,C），读入的顺序是BGR
img = cv2.imread(img_path)
print('cv2',img.shape) #(H,W,C)2.matplotlib.pyplot.imread
matplotlib读取进来的图片是numpy数组，是unit8类型,0-255范围，图像形状是（H,W,C），读入的顺序是RGB
img = plt.imread(img_path)
print('plt',img.shape) #(H,W,C)3.PIL.image.open
PIL是有自己的数据结构的，类型是<class 'PIL.Image.Image'>；但是可以转换成numpy数组，转换后的数组为unit8，0-255范围，图像形状是（H,W,C），读入的顺序是RGB
'''PIL转成numpy数组：'''
img = Image.open(img_path)
print(type(img)) #<class 'PIL.Image.Image'>
img = np.array(img)
print(type(img)) #<class 'numpy.ndarray'>
print('PIL',img.shape) #(H,W,C)'''numpy 转成 PIL'''
#input img is numpy type
img = Image.fromarray(img.astype('uint8')).convert('RGB')
print(type(img)) #<class 'PIL.Image.Image'>- 显示图像
这三者均可以用plt.imshow(img)，如代码：
import PIL.Image as Image
import matplotlib.pyplot as plt
import cv2
#cv2
img = cv2.imread(img_path)
plt.subplot(1,3,1)
plt.title('cv2')
plt.imshow(img)
#plt
img = plt.imread(img_path)
plt.subplot(1,3,2)
plt.title('plt')
plt.imshow(img)
#PIL
img = Image.open(img_path)
plt.subplot(1,3,3)
plt.title('PIL')
plt.imshow(img)
#show
plt.show()效果图：
可以看到，第一幅cv2图变色了，因为opencv读取进来的是BGR顺序呢的，而imshow需要的是RGB顺序，因此需要把cv2读的顺序转成RGB顺序
第一种方法：
b,g,r = cv2.split(img) img = cv2.merge([r,g,b])img = cv2.imread(img_path) #======================= #convert BGR to RGB b,g,r = cv2.split(img) img = cv2.merge([r,g,b]) #======================== plt.title('cv2_RGB') plt.imshow(img) plt.show()第二种方法：
img= img[:,:,::-1]img = cv2.imread(img_path) #======================= #convert BGR to RGB img = img[:,:,::-1] #======================== plt.title('cv2_RGB') plt.imshow(img) plt.show()两种方法效果图都一样：haha，这样就正常了，逍遥哥哥回来了......
- 保存图像
1）cv2.imwrite - 保存numpy格式的图片
cv2.imwrite("cv2.jpg",img)
2）plt.imsave - 保存numpy格式的图片
plt.imsave('plt.jpg',img)
3）PIL.image - 保存PIL格式的图片
img.save("PIL.jpg")
===============================================================================================
2. PIL.Image / numpy.ndarray与Tensor的相互转换
以上就是图像的基本操作，为了方便进行图像数据的操作，pytorch团队提供了一个torchvision.transforms包，我们可以用transforms进行以下操作：
- PIL.Image / numpy.ndarray与Tensor的相互转化；
- 归一化；
- 对PIL.Image进行裁剪、缩放等操作。
通常，在使用torchvision.transforms，我们通常使用transforms.Compose将transforms组合在一起。
- 1）PIL.Image / numpy.ndarray与Tensor的相互转化
PIL.Image / numpy.ndarray转化为Tensor，常常用在训练模型阶段的数据读取，而Tensor转化为PIL.Image / numpy.ndarray则用在验证模型阶段的数据输出。
注意：Tensor的形状是[C,H,W]，而cv2，plt，PIL形状都是[H,W,C]
我们可以使用 transforms.ToTensor() 将 PIL.Image/numpy.ndarray 数据进转化为torch.FloadTensor，并归一化到[0, 1.0]：
- 取值范围为[0, 255]的PIL.Image，转换成形状为[C, H, W]，取值范围是[0, 1.0]的torch.FloadTensor；
- 形状为[H, W, C]的numpy.ndarray，转换成形状为[C, H, W]，取值范围是[0, 1.0]的torch.FloadTensor。
而transforms.ToPILImage则是将Tensor转化为PIL.Image。如果，我们要将Tensor转化为numpy，只需要使用 .numpy() 即可。如下：
import torchvision
import torchvision.transforms as transforms
import matplotlib.pyplot as plt
import numpy as np
img_path = 'your graph path'
# transforms.ToTensor()
transform1 = transforms.Compose([
transforms.ToTensor(), # range [0, 255] -> [0.0,1.0] and convert [H,W,C] to [C,H,W]
])
img = plt.imread(img_path)
print('plt',img.shape) #(H,W,C)
img = transform1(img) # 归一化到 [0.0,1.0],并转成[C,H,W]
print(img.shape) #torch.Size([C,H,W])
# 转化为numpy.ndarray并显示
img_arr = img.numpy() * 255 #use np.numpy(): convert Tensor to numpy
img_arr = img_arr.astype('uint8') #convert Float to Int
print(img_arr.shape) #[C,H,W]
img_new = np.transpose(img_arr, (1, 2, 0)) #use np.transpose() convert [C,H,W] to [H,W,C]
plt.imshow(img_new)
plt.show()- 2）归一化
归一化对神经网络的训练是非常重要的，那么我们如何归一化到[-1.0, -1.0]呢？只需要将上面的transform1改为如下所示：
#归一化
transform2 = transforms.Compose([
transforms.ToTensor(),
transforms.Normalize(mean = (0.5, 0.5, 0.5), std = (0.5, 0.5, 0.5))
]
)（1）transforms.Compose就是将transforms组合在一起；
（2）transforms.Normalize使用如下公式进行归一化：
channel=（channel-mean）/ std
这样一来，我们的数据中的每个值就变成了[-1,1]的数了。来看下将上面transform1改为transform2所运行的效果图如下：
看上图已经出现失真了，原因是什么呢？
当上面操作已经将像素值转成[-1,1]时，执行代码img_arr = img.numpy() * 255时，举个例子，图像的某一行像素值变成
[ 207. 203. 203. ... -173. -175. -175. ]，再执行代码img_arr = img_arr.astype('uint8')时，像素值变成
[207 203 203 ... 83 81 81]。就拿其中的 -173 变成 83 来说，首先我们要明确：符号数值在计算机里是用补码存储。
173原码=10101101，由于是负数，-173补码=01010010，计算机里储存的就是这个数值。那么当img_arr = img_arr.astype('uint8')读作无符号数uint8时，01010010连同符号位一起计算=83.故出现上面失真情况。
- 3）PIL.Image的缩放裁剪等操作
此外，transforms还提供了裁剪，缩放等操作，以便进行数据增强。下面就看一个随机裁剪的例子，这个例子中，仍然使用 Compose 将 transforms 组合在一起，如下：
transform4 = transforms.Compose([
transforms.ToTensor(),
transforms.ToPILImage(),
transforms.RandomCrop((300,300)),
])
img = Image.open(img_path).convert('RGB')
img3 = transform4(img)
img3.show()运行结果如下：
其他操作就不一一列举了。具体看http://pillow.readthedocs.io/en/5.2.x/handbook/tutorial.html#cutting-pasting-and-merging-images