在Python中导入并预处理文件夹中的大量图片可以借助一些强大的库完成，比如`Pillow`、`OpenCV` 或者深度学习框架如 `TensorFlow` 和 `PyTorch` 提供的相关工具。 以下是操作步骤的一个基本示例： ### 示例流程 1. **安装所需库** 如果还没有安装图像处理相关的库，请先通过 pip 安装它们： ```bash pip install pillow opencv-python-headless numpy tensorflow torch torchvision ``` 2. **读取文件夹中的所有图片路径** 使用 Python 的标准模块 `os` 来获取目录下的所有图片文件名，并保存成列表形式。 3. **加载和预处理图片** 可以选择使用 Pillow (`Image`) 加载图片，也可以使用 OpenCV (`cv2.imread()`) 进行操作。根据需求对图片做归一化、缩放等常见预处理工作。 4. **批量处理每张图片** ```python import os from PIL import Image import numpy as np import cv2 # 设置图片存储的根目录 image_dir = './path_to_images' def load_and_preprocess(image_path): # 打开一张图片 (这里用Pillow作为例子) img = Image.open(image_path).convert('RGB') # 确保转换为 RGB 模式 # 调整大小到固定尺寸 (例如 224x224 像素)，可以根据需要修改目标分辨率 resized_img = img.resize((224, 224)) # 将图像转为 NumPy 数组用于进一步计算 img_array = np.array(resized_img) / 255.0 # 归一化 [0,1] 区间 return img_array images_data = [] for filename in os.listdir(image_dir): # 遍历指定文件夹下所有的文件/子文件夹名字 if not filename.endswith(('.png', '.jpg', '.jpeg')): continue # 根据后缀筛选出图片文件 file_path = os.path.join(image_dir, filename) try: processed_image = load_and_preprocess(file_path) images_data.append(processed_image) except Exception as e: print(f"Error processing {filename}: {e}") print("成功导入及预处理了 {} 张图片.".format(len(images_data))) if len(images_data)>0: dataset = np.stack(images_data, axis=0) # 合并数组形成形状像(batch_size,h,w,c)的数据集 ``` 上述代码将帮助您从特定位置读入一批图片，调整其大小至统一规格，并对其进行标准化数值范围的操作。 --- 如果您打算训练机器学习模型，则可能还需要考虑数据增强技术以及构建生成器函数以便按需提供批次化的输入给网络优化过程等等复杂场景扩展功能！