### 如何在 Python 中导入和处理图片数据 在 Python 中，可以利用多个库来实现图片数据的导入与处理。其中 `scikit-image` 是一种常用工具，它可以将图片转换为 NumPy 数组的形式以便进一步操作[^2]。 #### 使用 scikit-image 导入图片 通过 `skimage.io.imread()` 函数可以直接读取本地磁盘上的图片文件，并将其转化为 NumPy 数组： ```python from skimage import io # 加载一张图片 image = io.imread('example.jpg') print(image.shape) # 输出图片尺寸 (height, width, channels) ``` 上述代码展示了如何使用 `imread()` 方法加载名为 `example.jpg` 的图片文件，并打印其形状信息。 #### 利用 PIL/Pillow 库导入图片 PIL（Python Imaging Library）及其更新版本 Pillow 提供了另一种简单易用的方式来导入和处理图片数据： ```python from PIL import Image img = Image.open('example.jpg') pixels = img.load() width, height = img.size for i in range(width): for j in range(height): r, g, b = pixels[i, j] print(f"Pixel ({i}, {j}) has RGB values: R={r} G={g} B={b}") ``` 此段代码演示了打开图片以及访问单个像素值的过程[^1]。 #### PyTorch 数据集加载器 对于机器学习项目而言，尤其是深度学习领域中的图像分类任务，通常会采用框架自带的功能更强大的方法来管理大规模的数据集。例如，在 PyTorch 中可以通过自定义 Dataset 类或者直接调用 torchvision.datasets 来完成这一目标[^4]: ```python import torch from torchvision import datasets, transforms transform = transforms.Compose([ transforms.Resize((64, 64)), transforms.ToTensor() ]) dataset = datasets.ImageFolder(root='path/to/images', transform=transform) dataloader = torch.utils.data.DataLoader(dataset, batch_size=32, shuffle=True) ``` 这里创建了一个简单的变换管道，用于调整输入图片大小至固定维度并转成张量形式；接着实例化了一个基于目录结构识别类别的数据集合对象 `ImageFolder` 并封装到 DataLoader 当中方便后续训练过程迭代获取批次样本。