Python圖片存儲和訪問的三種方式是什么

今天小編給大家分享一下Python圖片存儲和訪問的三種方式是什么的相關知識點，內容詳細，邏輯清晰，相信大部分人都還太了解這方面的知識，所以分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后有所收獲，下面我們一起來了解一下吧。

前言

ImageNet 是一個著名的公共圖像數據庫，用于訓練對象分類、檢測和分割等任務的模型，它包含超過 1400 萬張圖像。

在 Python 中處理圖像數據的時候，例如應用卷積神經網絡（也稱CNN）等算法可以處理大量圖像數據集，這里就需要學習如何用最簡單的方式存儲、讀取數據。

對于圖像數據處理應該有有個定量的比較方式，讀取和寫入文件需要多長時間，以及將使用多少磁盤內存。

分別用不同的方式去處理、解決圖像的存儲、性能優化的問題。

數據準備

一個可以玩的數據集

我們熟知的圖像數據集 CIFAR-10，由 60000 個 32x32 像素的彩色圖像組成，這些圖像屬于不同的對象類別，例如狗、貓和飛機。相對而言 CIFAR 不是一個非常大的數據集，但如使用完整的 TinyImages 數據集，那么將需要大約 400GB 的可用磁盤空間。

文中的代碼應用的數據集下載地址 CIFAR-10 數據集 。

這份數據是使用cPickle進行了序列化和批量保存。pickle模塊可以序列化任何 Python 對象，而無需進行任何額外的代碼或轉換。但是有一個潛在的嚴重缺點，即在處理大量數據時會帶來安全風險無法評估。

圖像加載到 NumPy 數組中

import numpy as np
import pickle
from pathlib import Path

# 文件路徑
data_dir = Path("data/cifar-10-batches-py/")

# 解碼功能
def unpickle(file):
    with open(file, "rb") as fo:
        dict = pickle.load(fo, encoding="bytes")
    return dict

images, labels = [], []
for batch in data_dir.glob("data_batch_*"):
    batch_data = unpickle(batch)
    for i, flat_im in enumerate(batch_data[b"data"]):
        im_channels = []
        # 每個圖像都是扁平化的，通道按 R, G, B 的順序排列  
        for j in range(3):
            im_channels.append(
                flat_im[j * 1024 : (j + 1) * 1024].reshape((32, 32))
            )
        # 重建原始圖像
        images.append(np.dstack((im_channels)))
        # 保存標簽
        labels.append(batch_data[b"labels"][i])

print("加載 CIFAR-10 訓練集:")
print(f" - np.shape(images)     {np.shape(images)}")
print(f" - np.shape(labels)     {np.shape(labels)}")

圖像存儲的設置

安裝三方庫 Pillow 用于圖像處理 。

pip install Pillow

LMDB

LMDB 也稱為“閃電數據庫”，代表閃電內存映射數據庫，因為速度快并且使用內存映射文件。它是鍵值存儲，而不是關系數據庫。

安裝三方庫 lmdb 用于圖像處理 。

pip install lmdb

HDF5

HDF5 代表 Hierarchical Data Format，一種稱為 HDF4 或 HDF5 的文件格式。起源于美國國家超級計算應用中心，是一種可移植、緊湊的科學數據格式。

安裝三方庫 h6py 用于圖像處理 。

pip install h6py

單一圖像的存儲

3種不同的方式進行數據讀取操作

from pathlib import Path

disk_dir = Path("data/disk/")
lmdb_dir = Path("data/lmdb/")
hdf5_dir = Path("data/hdf5/")

同時加載的數據可以創建文件夾分開保存

disk_dir.mkdir(parents=True, exist_ok=True)
lmdb_dir.mkdir(parents=True, exist_ok=True)
hdf5_dir.mkdir(parents=True, exist_ok=True)

存儲到 磁盤

使用 Pillow 完成輸入是一個單一的圖像 image，在內存中作為一個 NumPy 數組，并且使用唯一的圖像 ID 對其進行命名image_id。

單個圖像保存到磁盤

from PIL import Image
import csv

def store_single_disk(image, image_id, label):
    """ 將單個圖像作為 .png 文件存儲在磁盤上。
        參數:
        ---------------
        image       圖像數組， (32, 32, 3) 格式
        image_id    圖像的整數唯一 ID
        label       圖像標簽
    """
    Image.fromarray(image).save(disk_dir / f"{image_id}.png")

    with open(disk_dir / f"{image_id}.csv", "wt") as csvfile:
        writer = csv.writer(
            csvfile, delimiter=" ", quotechar="|", quoting=csv.QUOTE_MINIMAL
        )
        writer.writerow([label])

存儲到 LMDB

LMDB 是一個鍵值對存儲系統，其中每個條目都保存為一個字節數組，鍵將是每個圖像的唯一標識符，值將是圖像本身。

鍵和值都應該是字符串。 常見的用法是將值序列化為字符串，然后在讀回時將其反序列化。

用于重建的圖像尺寸，某些數據集可能包含不同大小的圖像會使用到這個方法。

class CIFAR_Image:
    def __init__(self, image, label):
        self.channels = image.shape[2]
        self.size = image.shape[:2]

        self.image = image.tobytes()
        self.label = label

    def get_image(self):
        """ 將圖像作為 numpy 數組返回 """
        image = np.frombuffer(self.image, dtype=np.uint8)
        return image.reshape(*self.size, self.channels)

單個圖像保存到 LMDB

import lmdb
import pickle

def store_single_lmdb(image, image_id, label):
    """ 將單個圖像存儲到 LMDB
        參數:
        ---------------
        image       圖像數組， (32, 32, 3) 格式
        image_id    圖像的整數唯一 ID
        label       圖像標簽
    """
    map_size = image.nbytes * 10

    # Create a new LMDB environment
    env = lmdb.open(str(lmdb_dir / f"single_lmdb"), map_size=map_size)

    # Start a new write transaction
    with env.begin(write=True) as txn:
        # All key-value pairs need to be strings
        value = CIFAR_Image(image, label)
        key = f"{image_id:08}"
        txn.put(key.encode("ascii"), pickle.dumps(value))
    env.close()

存儲 HDF5

一個 HDF5 文件可以包含多個數據集。可以創建兩個數據集，一個用于圖像，一個用于元數據。

import h6py

def store_single_hdf5(image, image_id, label):
    """ 將單個圖像存儲到 HDF5 文件
        參數:
        ---------------
        image       圖像數組， (32, 32, 3) 格式
        image_id    圖像的整數唯一 ID
        label       圖像標簽
    """
    # 創建一個新的 HDF5 文件
    file = h6py.File(hdf5_dir / f"{image_id}.h6", "w")

    # 在文件中創建數據集
    dataset = file.create_dataset(
        "image", np.shape(image), h6py.h6t.STD_U8BE, data=image
    )
    meta_set = file.create_dataset(
        "meta", np.shape(label), h6py.h6t.STD_U8BE, data=label
    )
    file.close()

存儲方式對比

將保存單個圖像的所有三個函數放入字典中。

_store_single_funcs = dict(
    disk=store_single_disk, 
    lmdb=store_single_lmdb, 
    hdf5=store_single_hdf5
)

以三種不同的方式存儲保存 CIFAR 中的第一張圖像及其對應的標簽。

from timeit import timeit

store_single_timings = dict()

for method in ("disk", "lmdb", "hdf5"):
    t = timeit(
        "_store_single_funcs[method](image, 0, label)",
        setup="image=images[0]; label=labels[0]",
        number=1,
        globals=globals(),
    )
    store_single_timings[method] = t
    print(f"存儲方法: {method}, 使用耗時: {t}")

來一個表格看看對比。

多個圖像的存儲

同單個圖像存儲方法類似，修改代碼進行多個圖像數據的存儲。

多圖像調整代碼

將多個圖像保存為.png文件就可以理解為多次調用 store_single_method() 這樣。但這不適用于 LMDB 或 HDF5，因為每個圖像都有不同的數據庫文件。

將一組圖像存儲到磁盤

 store_many_disk(images, labels):
    """ 參數:
        ---------------
        images       圖像數組 (N, 32, 32, 3) 格式
        labels       標簽數組 (N，1) 格式
    """
    num_images = len(images)

    # 一張一張保存所有圖片
    for i, image in enumerate(images):
        Image.fromarray(image).save(disk_dir / f"{i}.png")

    # 將所有標簽保存到 csv 文件
    with open(disk_dir / f"{num_images}.csv", "w") as csvfile:
        writer = csv.writer(
            csvfile, delimiter=" ", quotechar="|", quoting=csv.QUOTE_MINIMAL
        )
        for label in labels:
            writer.writerow([label])

 將一組圖像存儲到 LMDB

def store_many_lmdb(images, labels):
    """ 參數:
        ---------------
        images       圖像數組 (N, 32, 32, 3) 格式
        labels       標簽數組 (N，1) 格式
    """
    num_images = len(images)

    map_size = num_images * images[0].nbytes * 10

    # 為所有圖像創建一個新的 LMDB 數據庫
    env = lmdb.open(str(lmdb_dir / f"{num_images}_lmdb"), map_size=map_size)

    # 在一個事務中寫入所有圖像
    with env.begin(write=True) as txn:
        for i in range(num_images):
            # 所有鍵值對都必須是字符串
            value = CIFAR_Image(images[i], labels[i])
            key = f"{i:08}"
            txn.put(key.encode("ascii"), pickle.dumps(value))
    env.close()

將一組圖像存儲到 HDF5

def store_many_hdf5(images, labels):
    """ 參數:
        ---------------
        images       圖像數組 (N, 32, 32, 3) 格式
        labels       標簽數組 (N，1) 格式
    """
    num_images = len(images)

    # 創建一個新的 HDF5 文件
    file = h6py.File(hdf5_dir / f"{num_images}_many.h6", "w")

    # 在文件中創建數據集
    dataset = file.create_dataset(
        "images", np.shape(images), h6py.h6t.STD_U8BE, data=images
    )
    meta_set = file.create_dataset(
        "meta", np.shape(labels), h6py.h6t.STD_U8BE, data=labels
    )
    file.close()

準備數據集對比

使用 100000 個圖像進行測試

cutoffs = [10, 100, 1000, 10000, 100000]

images = np.concatenate((images, images), axis=0)
labels = np.concatenate((labels, labels), axis=0)

# 確保有 100,000 個圖像和標簽
print(np.shape(images))
print(np.shape(labels))

創建一個計算方式進行對比

_store_many_funcs = dict(
    disk=store_many_disk, lmdb=store_many_lmdb, hdf5=store_many_hdf5
)

from timeit import timeit

store_many_timings = {"disk": [], "lmdb": [], "hdf5": []}

for cutoff in cutoffs:
    for method in ("disk", "lmdb", "hdf5"):
        t = timeit(
            "_store_many_funcs[method](images_, labels_)",
            setup="images_=images[:cutoff]; labels_=labels[:cutoff]",
            number=1,
            globals=globals(),
        )
        store_many_timings[method].append(t)

        # 打印出方法、截止時間和使用時間
        print(f"Method: {method}, Time usage: {t}")

PLOT 顯示具有多個數據集和匹配圖例的單個圖

import matplotlib.pyplot as plt

def plot_with_legend(
    x_range, y_data, legend_labels, x_label, y_label, title, log=False
):
    """ 參數:
        --------------
        x_range         包含 x 數據的列表
        y_data          包含 y 值的列表
        legend_labels   字符串圖例標簽列表
        x_label         x 軸標簽
        y_label         y 軸標簽
    """
    plt.style.use("seaborn-whitegrid")
    plt.figure(figsize=(10, 7))

    if len(y_data) != len(legend_labels):
        raise TypeError(
            "數據集的數量與標簽的數量不匹配"
        )

    all_plots = []
    for data, label in zip(y_data, legend_labels):
        if log:
            temp, = plt.loglog(x_range, data, label=label)
        else:
            temp, = plt.plot(x_range, data, label=label)
        all_plots.append(temp)

    plt.title(title)
    plt.xlabel(x_label)
    plt.ylabel(y_label)
    plt.legend(handles=all_plots)
    plt.show()

# Getting the store timings data to display
disk_x = store_many_timings["disk"]
lmdb_x = store_many_timings["lmdb"]
hdf5_x = store_many_timings["hdf5"]

plot_with_legend(
    cutoffs,
    [disk_x, lmdb_x, hdf5_x],
    ["PNG files", "LMDB", "HDF5"],
    "Number of images",
    "Seconds to store",
    "Storage time",
    log=False,
)

plot_with_legend(
    cutoffs,
    [disk_x, lmdb_x, hdf5_x],
    ["PNG files", "LMDB", "HDF5"],
    "Number of images",
    "Seconds to store",
    "Log storage time",
    log=True,
)

單一圖像的讀取

從 磁盤 讀取

def read_single_disk(image_id):
    """ 參數:
        ---------------
        image_id    圖像的整數唯一 ID

        返回結果:
        ---------------
        images       圖像數組 (N, 32, 32, 3) 格式
        labels       標簽數組 (N，1) 格式
    """
    image = np.array(Image.open(disk_dir / f"{image_id}.png"))

    with open(disk_dir / f"{image_id}.csv", "r") as csvfile:
        reader = csv.reader(
            csvfile, delimiter=" ", quotechar="|", quoting=csv.QUOTE_MINIMAL
        )
        label = int(next(reader)[0])

    return image, label

從 LMDB 讀取

def read_single_lmdb(image_id):
    """ 參數:
        ---------------
        image_id    圖像的整數唯一 ID

        返回結果:
        ---------------
        images       圖像數組 (N, 32, 32, 3) 格式
        labels       標簽數組 (N，1) 格式
    """
    # 打開 LMDB 環境
    env = lmdb.open(str(lmdb_dir / f"single_lmdb"), readonly=True)

    # 開始一個新的事務
    with env.begin() as txn:
        # 進行編碼
        data = txn.get(f"{image_id:08}".encode("ascii"))
        # 加載的 CIFAR_Image 對象
        cifar_image = pickle.loads(data)
        # 檢索相關位
        image = cifar_image.get_image()
        label = cifar_image.label
    env.close()

    return image, label

從 HDF5 讀取

def read_single_hdf5(image_id):
    """ 參數:
        ---------------
        image_id    圖像的整數唯一 ID

        返回結果:
        ---------------
        images       圖像數組 (N, 32, 32, 3) 格式
        labels       標簽數組 (N，1) 格式
    """
    # 打開 HDF5 文件
    file = h6py.File(hdf5_dir / f"{image_id}.h6", "r+")

    image = np.array(file["/image"]).astype("uint8")
    label = int(np.array(file["/meta"]).astype("uint8"))

    return image, label

讀取方式對比

from timeit import timeit

read_single_timings = dict()

for method in ("disk", "lmdb", "hdf5"):
    t = timeit(
        "_read_single_funcs[method](0)",
        setup="image=images[0]; label=labels[0]",
        number=1,
        globals=globals(),
    )
    read_single_timings[method] = t
	print(f"讀取方法: {method}, 使用耗時: {t}")

多個圖像的讀取

將多個圖像保存為.png文件就可以理解為多次調用 read_single_method() 這樣。但這不適用于 LMDB 或 HDF5，因為每個圖像都有不同的數據庫文件。

多圖像調整代碼

從磁盤中讀取多個都圖像

def read_many_disk(num_images):
    """ 參數:
        ---------------
        num_images   要讀取的圖像數量

        返回結果:
        ---------------
        images       圖像數組 (N, 32, 32, 3) 格式
        labels       標簽數組 (N，1) 格式
    """
    images, labels = [], []

    # 循環遍歷所有ID，一張一張地讀取每張圖片
    for image_id in range(num_images):
        images.append(np.array(Image.open(disk_dir / f"{image_id}.png")))

    with open(disk_dir / f"{num_images}.csv", "r") as csvfile:
        reader = csv.reader(
            csvfile, delimiter=" ", quotechar="|", quoting=csv.QUOTE_MINIMAL
        )
        for row in reader:
            labels.append(int(row[0]))
    return images, labels

從LMDB中讀取多個都圖像

def read_many_lmdb(num_images):
    """ 參數:
        ---------------
        num_images   要讀取的圖像數量

        返回結果:
        ---------------
        images       圖像數組 (N, 32, 32, 3) 格式
        labels       標簽數組 (N，1) 格式
    """
    images, labels = [], []
    env = lmdb.open(str(lmdb_dir / f"{num_images}_lmdb"), readonly=True)

    # 開始一個新的事務
    with env.begin() as txn:
        # 在一個事務中讀取，也可以拆分成多個事務分別讀取
        for image_id in range(num_images):
            data = txn.get(f"{image_id:08}".encode("ascii"))
            # CIFAR_Image 對象，作為值存儲
            cifar_image = pickle.loads(data)
            # 檢索相關位
            images.append(cifar_image.get_image())
            labels.append(cifar_image.label)
    env.close()
    return images, labels

從HDF5中讀取多個都圖像

def read_many_hdf5(num_images):
    """ 參數:
        ---------------
        num_images   要讀取的圖像數量

        返回結果:
        ---------------
        images       圖像數組 (N, 32, 32, 3) 格式
        labels       標簽數組 (N，1) 格式
    """
    images, labels = [], []

    # 打開 HDF5 文件
    file = h6py.File(hdf5_dir / f"{num_images}_many.h6", "r+")

    images = np.array(file["/images"]).astype("uint8")
    labels = np.array(file["/meta"]).astype("uint8")

    return images, labels

_read_many_funcs = dict(
    disk=read_many_disk, lmdb=read_many_lmdb, hdf5=read_many_hdf5
)

準備數據集對比

創建一個計算方式進行對比

from timeit import timeit

read_many_timings = {"disk": [], "lmdb": [], "hdf5": []}

for cutoff in cutoffs:
    for method in ("disk", "lmdb", "hdf5"):
        t = timeit(
            "_read_many_funcs[method](num_images)",
            setup="num_images=cutoff",
            number=1,
            globals=globals(),
        )
        read_many_timings[method].append(t)

        # Print out the method, cutoff, and elapsed time
        print(f"讀取方法: {method}, No. images: {cutoff}, 耗時: {t}")

讀寫操作綜合比較

數據對比

同一張圖表上查看讀取和寫入時間

plot_with_legend(
    cutoffs,
    [disk_x_r, lmdb_x_r, hdf5_x_r, disk_x, lmdb_x, hdf5_x],
    [
        "Read PNG",
        "Read LMDB",
        "Read HDF5",
        "Write PNG",
        "Write LMDB",
        "Write HDF5",
    ],
    "Number of images",
    "Seconds",
    "Log Store and Read Times",
    log=False,
)

各種存儲方式使用磁盤空間

雖然 HDF5 和 LMDB 都占用更多的磁盤空間。需要注意的是 LMDB 和 HDF5 磁盤的使用和性能在很大程度上取決于各種因素，包括操作系統，更重要的是存儲的數據大小。

并行操作

通常對于大的數據集，可以通過并行化來加速操作。 也就是我們經常說的并發處理。

作為.png 文件存儲到磁盤實際上允許完全并發。只要圖像名稱不同就可以從不同的線程讀取多個圖像，或一次寫入多個文件。

如果將所有 CIFAR 分成十組，那么可以為一組中的每個讀取設置十個進程，并且相應的處理時間可以減少到原來的10%左右。

以上就是“Python圖片存儲和訪問的三種方式是什么”這篇文章的所有內容，感謝各位的閱讀！相信大家閱讀完這篇文章都有很大的收獲，小編每天都會為大家更新不同的知識，如果還想學習更多的知識，請關注億速云行業資訊頻道。