import matplotlib.image as mpimg  # mpimg 用于讀取圖片
a = mpimg.imread(r'C:\Users\Administrator\Desktop\real.jpg')

from torchvision.transforms import ToPILImage
show = ToPILImage() # 可以把Tensor轉(zhuǎn)成Image，方便可視化
show(im).show()
# 這個(gè)地方可以用這個(gè)show函數(shù)來(lái)顯示圖片

from PIL import Image
im = Image.open(r'C:\Users\Administrator\Desktop\real.jpg')
im.show()

import cv2
# cv2.imread()接口讀圖像，讀進(jìn)來(lái)直接是BGR 格式數(shù)據(jù)格式在 0~255，通道格式為(W,H,C)
img_BGR = cv2.imread(r'C:\Users\Administrator\Desktop\real.jpg')
rgb = cv2.cvtColor(rgb, cv2.COLOR_BGR2RGB) #轉(zhuǎn)成RGB
rgb = np.transpose(rgb, [2, 0, 1]) # 進(jìn)行tensor操作時(shí)需要將維度放到前面

from scipy.io import loadmat
filenames_hyper = glob.glob(os.path.join(opt.data_path, 'NTIRE2020_Train_Spectral', '*.mat'))
# 返回一個(gè)list，存放該目錄下所有.mat格式的文件路徑
for k in range(len(filenames_hyper)):
	mat = loadmat(filenames_hyper[k])
	hyper = np.float32(np.array(mat['cube']))

import h5py
filenames_hyper = glob.glob(os.path.join(opt.data_path, 'NTIRE2020_Train_Spectral', '*.mat'))
for k in range(len(filenames_hyper)):
	mat = h5py.File(filenames_hyper[k], 'r')

a = torch.Tensor(1,2,3)
print(a.dtype)
print(a.numpy().dtype)

a = torch.randn(10, 20, 3)

a = a.long()/half()/int()...
# torch.long() 將tensor投射為long類型
# torch.half()將tensor投射為半精度浮點(diǎn)類型
# torch.int()將該tensor投射為int類型
# torch.double()將該tensor投射為double類型
# torch.float()將該tensor投射為float類型
# torch.char()將該tensor投射為char類型
# torch.byte()將該tensor投射為byte類型
# torch.short()將該tensor投射為short類型

# 好像沒有uint8

a = np.random.randint(0, 255, 300)
# 在0-255（包括0，不包括255）范圍內(nèi)產(chǎn)生300個(gè)隨機(jī)整形，是一個(gè)行向量哦！
a = a.reshape(10,10,3)
a = a.astype(np.uint8)
# .float/.int/...

from matplotlib import pyplot as plt
import numpy as np
a = abs(torch.randn(10,20,3))*100
plt.imshow(a) # 顯示圖片
plt.axis('off') # 不顯示坐標(biāo)軸
plt.show()
# 顯示單通道，也就是熱力圖，也就是說(shuō)可以用它來(lái)顯示HSI.mat文件
plt.imshow(a[:,:,0]) 
plt.imshow(a[:,:,0], cmap='Greys_r') #顯示單通道黑白圖
# # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # #
plt.subplot(2,2,1) #與matlab語(yǔ)法很相似
plt.imshow(img_BGR)
plt.axis('off')
plt.title('BGR')
# 使用plt顯示圖片時(shí)tensor和numpy都可

from torchvision.transforms import ToPILImage
show = ToPILImage() # 可以把Tensor轉(zhuǎn)成Image，方便可視化
import matplotlib.image as mpimg  # mpimg 用于讀取圖片
im = mpimg.imread(r'C:\Users\Administrator\Desktop\real.jpg')
show(im).show()
# **只有兩種情況能用這個(gè)show**
 - tensor + 0-1的float + [3,482,512]
 - numpy + uint8 + [482,512,3]

plt.savefig('a.png')

# 要保存的數(shù)據(jù)必須是numpy格式
# 都以u(píng)int8格式保存，也就是說(shuō)如果之前是0-1的float32格式數(shù)據(jù)會(huì)全是0
cv2.imwrite(r'C:\Users\Administrator\Desktop\a.jpg',a)
# # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # #
# 對(duì)于JPEG，其表示的是圖像的質(zhì)量，用0 - 100的整數(shù)表示，默認(rèn)95;對(duì)于png ,第三個(gè)參數(shù)表示的是壓縮級(jí)別。默認(rèn)為3.
cv2.imwrite('1.png',img, [int(cv2.IMWRITE_JPEG_QUALITY), 95])
# cv2.IMWRITE_JPEG_QUALITY類型為 long ,必須轉(zhuǎn)換成 int
cv2.imwrite('1.png',img, [int(cv2.IMWRITE_PNG_COMPRESSION), 9])
# cv2.IMWRITE_PNG_COMPRESSION, 從0到9 壓縮級(jí)別越高圖像越小。

from scipy import misc
misc.imsave('lena_new_sz.png', lena_new_sz)

np.save(r'C:\Users\Administrator\Desktop\a', a) # 會(huì)在保存的名字后面自動(dòng)加上.npy
img = np.load('lena_new_sz.npy') # 讀取前面保存的數(shù)組

from torchvision.utils import save_image
dir1 = 'C:/Users/Administrator/Desktop/noise.png'
a = torch.randn(3,400,500)    #注意該tensor的形狀
show(a).show()
save_image(a,dir1)
# 還可以用該函數(shù)生成雪碧圖（許多小圖拼接成一幅大圖）
save_image(torch.stack(image), nrow=8, padding=2, normalize=True, range=(-1, 1))
# 給定 4D mini-batch Tensor，形狀為 (B x C x H x W),或者一個(gè)a list of image，做成一個(gè)size為(B / nrow, nrow)，每幅圖之間間隔（黑條）是padding的雪碧圖。
# 其中從第三個(gè)參數(shù)開始為函數(shù)make_grid()的參數(shù)，主要用于生成雪碧圖。normalize=True ，會(huì)將圖片的像素值歸一化處理；range=(min, max)， min和max是數(shù)字，那么min，max用來(lái)規(guī)范化image
# 所以這個(gè)時(shí)候需要使用torch.stack()函數(shù)將許多圖拼接起來(lái)（3維->4維）
# 這里再說(shuō)下和torch.cat()函數(shù)的區(qū)別，cat是沿著第0個(gè)維度進(jìn)行拼接，并不會(huì)增加維度
a = torch.randn(3,400,500)
b = torch.randn(3,400,500)
print(torch.stack((a,b)).shape) #注意拼接時(shí)需要時(shí)元組或者列表，所以需要加個(gè)()/[]
print(torch.cat((a,b)).shape)
'''
結(jié)果：
torch.Size([2, 3, 400, 500])
torch.Size([6, 400, 500])
'''