Save_img in Keras-Python

在使用深度学习（neural networks）时，我们通常需要将大量的图像用来训练模型。然而，在实践中，我们很少能够使用原始图像尺寸来训练模型。因此，我们需要将图像进行裁剪、缩放、旋转、翻转等各种变换。但是，我们需要在每次模型训练之前从头开始进行这些变换，并将变换后的图像重新保存，这将会非常耗时。

为解决这个问题，Keras附带了一个ImageDataGenerator类，该类提供了一种简单的方法对数据进行增强（data augmentation）。然而，在某些情况下，我们可能希望对图像进行特定的预处理，并将其保存为numpy数组。因此，Keras还提供了save_img函数，它可以将numpy数组保存为图像文件。

介绍

save_img函数是Keras中的一个有用函数，我们可以使用该函数将numpy数组保存为图像。它是一个简单而有用的函数，输入为numpy数组和图像文件名。该函数负责将numpy数组解释为图像，并将其保存到文件名所指定的位置。下面是该函数的定义：

def save_img(path, x, data_format=None, file_format=None, scale=True):
    """
    Saves an image stored as a Numpy array to a path.
    """

要使用该函数，您需要提供以下两个参数：

1. path：图像保存的路径，可以是绝对路径或相对路径。
2. x：要保存的图像，numpy数组。

还有其他可选参数：

• data_format（可选）：数据格式，字符串类型，默认为Keras的配置文件中的图像数据格式，数据格式可以是：
  • "channels_last"（默认）：宽度，高度和通道数的顺序分别为（宽度，高度，通道数）。
  • "channels_first"：通道数，宽度和高度的顺序分别为（通道数，宽度，高度）。
• file_format（可选）：图像保存的文件格式，默认为None，此时根据文件名的后缀名来自动推断文件格式。支持以下三种格式：
  • 'png'：Portable Network Graphics format。
  • 'jpeg'：Joint Photographic Experts Group format。
  • 'bmp'：Windows bitmap format。
• scale（可选）：是否将图像数组缩放到0到255之间的范围内。 默认为True。

使用

使用save_img函数非常简单。我们只需要将numpy数组和要保存的文件名传递给该函数就可以了。下面是一个简单的示例：

from keras.preprocessing.image import img_to_array, load_img
from keras.preprocessing.image import save_img

# load image as pixel array
image = load_img('sample.jpg')

# convert image to numpy array
image_array = img_to_array(image)

# save the image with a new name
save_img('new_image.jpg', image_array)

在这个示例中，我们使用了Keras的img_to_array和load_img函数将图像加载为numpy数组，并将该数组保存为new_image.jpg文件。

请注意，您可以在调用save_img之前进行任何类型的预处理。例如，您可以将原始图像缩放到所需的大小，裁剪图像，将其转换为灰度等，然后再使用以下命令将其保存为图像：

save_img('new_image.jpg', processed_image_array)

结论

在Keras中使用save_img函数将numpy数组保存为图像是一项非常有用的技能。它允许您轻松地将处理的图像保存为图像文件，供训练模型使用。该函数不仅使用方便，而且可以与其他工具库（如OpenCV和Pillow）集成。