增强图像由空数组组成，而原始图像由具有值的数组组成。为什么会这样？

Question

我将文件夹中所有 .png 图片的扩展名更改为 .jpeg，并将它们重命名为使用此代码，

# Define directories

INPUT = 'input dir'
OUTPUT = 'output dir'

for count, filename in enumerate(os.listdir(INPUT)):
    dst = "OTHERS_IMG_" + str(count) + ".jpeg"
    src = INPUT + filename 
    dst = OUTPUT + dst 
    os.rename(src, dst)

我成功地在像这样的单独文件夹中获得了格式正确的图像。 NORMAL_IMG_0 NORMAL_IMG_1 NORMAL_IMG_2 . . .

但是在使用 OpenCV 和 imgaug 扩充和读取图像后，我使用这段代码得到了这样的空数组，

image = cv2.imread('NORMAL/NORMAL_IMG_0.jpeg')
rotate = iaa.Affine(rotate=(-25, 25))
image_rotated = rotate.augment_images([image])[0]
cv2.imwrite("image.jpeg", image_rotated)

我明白了，

[[[0 0 0]
  [0 0 0]
  [0 0 0]
  ...
  [0 0 0]
  [0 0 0]
  [0 0 0]]

 [[0 0 0]
  [0 0 0]
  [0 0 0]
  ...
  [0 0 0]
  [0 0 0]
  [0 0 0]]

 [[0 0 0]
  [0 0 0]
  [0 0 0]
  ...
  [0 0 0]
  [0 0 0]
  [0 0 0]]

 ...

 [[0 0 0]
  [0 0 0]
  [0 0 0]
  ...
  [0 0 0]
  [0 0 0]
  [0 0 0]]

 [[0 0 0]
  [0 0 0]
  [0 0 0]
  ...
  [0 0 0]
  [0 0 0]
  [0 0 0]]

 [[0 0 0]
  [0 0 0]
  [0 0 0]
  ...
  [0 0 0]
  [0 0 0]
  [0 0 0]]]

虽然原图是这样的，

[[[ 55  33  21]
  [ 47  25  13]
  [ 52  30  18]
  ...
  [ 27  18  28]
  [ 29  20  30]
  [ 29  21  28]]

 [[ 81  58  43]
  [ 77  54  39]
  [ 82  59  44]
  ...
  [ 25  18  25]
  [ 26  19  26]
  [ 26  19  26]]

 [[100  74  57]
  [100  74  57]
  [101  75  58]
  ...
  [ 24  18  23]
  [ 24  18  23]
  [ 24  18  23]]

 ...

 [[ 32  29  31]
  [ 30  25  27]
  [ 31  25  26]
  ...
  [ 61  37  31]
  [ 61  37  31]
  [ 61  37  31]]

 [[ 30  27  29]
  [ 29  26  28]
  [ 30  25  27]
  ...
  [ 49  28  26]
  [ 48  27  25]
  [ 48  27  25]]

 [[ 28  27  29]
  [ 29  26  28]
  [ 28  25  27]
  ...
  [ 40  22  21]
  [ 39  21  20]
  [ 39  21  20]]]

谁能帮我看看为什么会这样？我还想增强我所有的图像。直到我尝试扩充目录中 JPEG 格式的图像时，我才注意到这一点。

Answer 1

不要更改扩展名，而是尝试将它们写成带有 jpeg 扩展名的 jpeg 格式。 JPEG 不是 PNG。您可以使用 cv2.imread 后接 cv2.imwrite，或使用 imagemagick 的转换实用程序。然后重试。

增强图像由空数组组成，而原始图像由具有值的数组组成。为什么会这样？

Augmented Images consists of empty arrays whereas Original images consists of arrays with values. Why is it so?

python

opencv

image-processing

deep-learning

data-augmentation