在使用Pillow中的Image.save()方法，使用默认参数保存jpg图片的过程中发现图片被压缩的很严重，导致原来很大的大小变成几十K。这是因为在保存为jpg的过程中，内部使用压缩算法对图片进行的压缩处理。
 
但是有些时候往往需要图片的大小不能变化太大或不能太小。所以在使用此方式时可以加入参数：
 
imObj.save(img_name, quality=95)
 
quality参数： 保存图像的质量，值的范围从1（最差）到95（最佳）。 默认值为75，使用中应尽量避免高于95的值; 100会禁用部分JPEG压缩算法，并导致大文件图像质量几乎没有任何增益。
 
使用此参数后，图片大小会增加。如果图片的大小还不能满足你的需求，是否还有其他方式去增加图片大小呢？
 
通过查阅资料并尝试，发现save方法还有一个可以配合quality使用的参数，能够大大增加图片大小：
 
imObj.save(new_name, quality=95, subsampling=0)
 
subsampling参数：子采样，通过实现色度信息的分辨率低于亮度信息来对图像进行编码的实践。 （参考：https：//en.wikipedia.org/wiki/Chroma_subsampling）
 可能的子采样值是0,1和2，对应于4：4：4,4：2：2和4：1：1（或4：2：0？）。
 
经过实践将值设为0便可以满足图片大小增大的需求。
 
注意： 以上方法的参数只针对于保存为JPG/JPEG格式的图片的情况。
 
参考文档：https://pillow.readthedocs.io/en/5.1.x/handbook/image-file-formats.html#jpeg
 
参考文档：https://pillow.readthedocs.io/en/4.0.x/PIL.html
 

有趣有料有温度，和我一起学技术！
 
欢迎关注公众号 来思Go，收看更多赖克与甜甜的技术学习日常。

简介 
 ImageAI是一个python的库，它能使开发人员用简单几行代码构建具有深度学习和计算机视觉功能的应用程序和系统。它是由Moses Olafenwa和John Olafenwa两位开发并维护。
 具体git地址：https://github.com/OlafenwaMoses/ImageAI
 今天首先介绍一下使用imageai的准备工作，安装以及简单的实现image prediction
 （以下内容git中都有详细介绍）
 
 
 
准备工作 
 
首先当然是python，imageai暂时只支持3.5.1或之后的版本,一般都是用3.6吧
 还有以下这些:
 Tensorflow>=1.4.0
 Numpy >=1.13.1
 SciPy >=0.19.1
 OpenCV
 Pillow
 Matplotlib
 h5py
 Keras 2.x
 
pip3 install xxx
 

 
 
安装
 做好准备工作后就是安装了，可以直接使用pip3安装 如下
 
pip3 install https://github.com/OlafenwaMoses/ImageAI/releases/download/2.1.0/imageai-2.1.0-py3-none-any.whl 
 

 当然也可以将[imageai-2.1.0-py3-none-any.whl](https://github.com/OlafenwaMoses/ImageAI/releases/download/2.1.0/imageai-2.1.0-py3-none-any.whl)下载之后安装 ``` pip3 install C:\User\MyUser\Downloads\imageai-2.1.0-py3-none-any.whl ``` 

 
 
Image Prediction
 安装完之后进入正题，图像内容的预测。
 ImageAI提供4种不同的算法和模型来进行图像预测，并在ImageNet-1000数据集上进行了训练。4种算法包括SqueezeNet，ResNet，InceptionV3和DenseNet。
 这里也提供了四种模型训练好后的文件。
 
SqueezeNet（预测速度最快 正确率中等）
ResNet50 （预测速度快 正确率较高）
InceptionV3（预测速度慢 正确率高）
DenseNet121（预测速度更慢 正确率最高）
 
好了，选一个模型，将训练好后的内容下载下来就可以开始简单的图像预测啦！
 
prediction.py
 
from imageai.Prediction import ImagePrediction
import os
import time
#计时
start = time.time()
 
#当前路径 包含需要预测的图片，模型文件
execution_path = os.getcwd()
 
#创建预测类
prediction = ImagePrediction()
 
#设置预测模型 有以下四种
#SqueezeNet
#prediction.setModelTypeAsSqueezeNet()
#prediction.setModelPath(os.path.join(execution_path, "squeezenet_weights_tf_dim_ordering_tf_kernels.h5"))
 
#ResNet50
#prediction.setModelTypeAsInceptionV3()
#prediction.setModelPath(os.path.join(execution_path, "inception_v3_weights_tf_dim_ordering_tf_kernels.h5"))
 
#InceptionV3
#prediction.setModelTypeAsResNet()
#prediction.setModelPath(os.path.join(execution_path, "resnet50_weights_tf_dim_ordering_tf_kernels.h5"))
 
#DenseNet121
prediction.setModelTypeAsDenseNet()
prediction.setModelPath(os.path.join(execution_path, "DenseNet-BC-121-32.h5"))
 
prediction.loadModel()
 
#预测图片，以及结果预测输出数目
predictions, probabilities = prediction.predictImage(os.path.join(execution_path, "1.jpg"), result_count=5 )
 
#结束计时
end = time.time()
 
#输出结果
for eachPrediction, eachProbability in zip(predictions, probabilities):
    print(eachPrediction," : ", eachProbability)
 
print ("\ncost time:",end-start)
 
看着代码去掉注释 只用了大概十行作用就可以完成图像的预测了
 
先使用了git上提供的图片
 
 
我用四种模型都跑了一下 结果如下
 
---squeezenet_weights_tf_dim_ordering_tf_kernels.h5---
sports_car : 45.9977924823761
convertible : 38.13416361808777
grille : 7.812434434890747
minivan : 2.406269498169422
pickup : 2.211885526776314

cost time: 6.432089567184448

---inception_v3_weights_tf_dim_ordering_tf_kernels.h5---
convertible : 96.45639061927795
sports_car : 3.52620966732502
beach_wagon : 0.010831362305907533
car_wheel : 0.003940704118576832
pickup : 0.0006548482815560419

cost time: 15.786875247955322

---resnet50_weights_tf_dim_ordering_tf_kernels.h5---
convertible : 52.459555864334106
sports_car : 37.61284649372101
pickup : 3.1751200556755066
car_wheel : 1.817505806684494
minivan : 1.7487050965428352

cost time: 24.41988778114319

---DenseNet-BC-121-32.h5---
sports_car : 64.85629677772522
convertible : 13.065926730632782
beach_wagon : 8.915219455957413
car_wheel : 6.854388862848282
grille : 2.4432314559817314

cost time: 24.5520977973938
 
大概率都预测出了是跑车或是敞篷车。
 
我也随便挑了张照片 试了一试
 
 结果
 
Siberian_husky : 87.60582208633423 西伯利亚雪橇犬（二哈）
Eskimo_dog : 12.393762916326523 爱斯基摩犬
malamute : 0.00020242005120962858 阿拉斯加雪橇犬
dogsled : 0.00015880526689215912
Norwegian_elkhound : 6.489584336577536e-06

cost time: 20.758772611618042
 
结果还是不错的 ヽ(￣▽￣)ﾉ
 
除此之外，git上还介绍了多张图的预测，预测速度的改变，多线程操作等。这里就不解释了，改动并不是很大。
 今天暂时就到这儿吧，imageai还有图片物体检测/分隔，视频中物体检测和跟踪等等以后再继续介绍啦
 
代码以及模型文件我都放在了网盘上，有需要可以自行下载
 链接: https://pan.baidu.com/s/13hUoa_0d3tla5d2pTfD1OA 提取码: qne5
 
后续:
  ImageAI (二) 使用Python快速简单实现物体检测 Object Detection
 ImageAI (三) 使用Python快速简单实现视频中物体检测 Video Object Detection and Tracking

目录：
 
一、Image.fromarray的作用：实现array到image的转换
 
二、PIL中的Image和numpy中的数组array相互转换：
 
       1. PIL image转换成array
 
       2. array转换成image
 

一、Image.fromarray的作用：
 
简而言之，就是实现array到image的转换
二、PIL中的Image和numpy中的数组array相互转换：
 
1. PIL image转换成array
 
img = np.asarray(image)
 
需要注意的是，如果出现read-only错误，并不是转换的错误，一般是你读取的图片的时候，默认选择的是"r","rb"模式有关。
 
修正的办法:　手动修改图片的读取状态
 
img.flags.writeable = True  # 将数组改为读写模式
 
2. array转换成image
 
Image.fromarray(np.uint8(img))
 
 

 
文章目录
 
前言
一、代码
二、结果展示
总结

 
 
前言
 
将任意分辨率的图像修改为指定分辨率的图像。
 
 
一、代码
 
函数代码：
 
from PIL import Image
 
def ResizeImage(file_in, file_out,w,h):
    """
    改变图片分辨率
    :param file_in: 输入图片
    :param file_out: 输出图片
    :param w: 输出图片宽
    :param h: 输出图片高
    """
    img = Image.open(file_in)
    #输出图片指定宽高
    out = img.resize((w, h), Image.ANTIALIAS)
    # 第二个参数：
    # Image.NEAREST ：低质量
    # Image.BILINEAR：双线性
    # Image.BICUBIC ：三次样条插值
    # Image.ANTIALIAS：高质量
    out.save(file_out)
 
传参测试：
 分辨率变小：
 
filein = r'D:/PyCharm_Community_Edition/pytorch-cnn-visualizations-master/input_images/0.bmp'
fileout = r'D:/PyCharm_Community_Edition/pytorch-cnn-visualizations-master/input_images/1.bmp'
h=224
w=224
ResizeImage(filein, fileout,w,h)
 
分辨率变大：
 
filein = r'D:/PyCharm_Community_Edition/pytorch-cnn-visualizations-master/input_images/0.bmp'
fileout = r'D:/PyCharm_Community_Edition/pytorch-cnn-visualizations-master/input_images/1.bmp'
h=500
w=500
ResizeImage(filein, fileout,w,h)
 
二、结果展示
 
输入图片：425×416
 
 输出图片：224×224
 
 输出图片：500×500
 
 
总结
 
可以通过改变file_out目录后缀来改变输出图片类型.png.jpg等等。