### 使用Python库读取图像数据集 #### OpenCV 库读取图像数据集 OpenCV 是处理图像的强大工具之一。通过 `cv2.imread()` 函数可以方便地加载单张图片，而要批量读取整个文件夹中的图像，则可以通过遍历目录来实现。 ```python import cv2 import os def load_images_from_folder(folder): images = [] for filename in os.listdir(folder): img = cv2.imread(os.path.join(folder,filename)) if img is not None: images.append(img) return images ``` 这段代码定义了一个函数用于从指定路径下读入所有符合条件的图像并返回列表形式的结果[^1]。 #### PIL/Pillow 库读取图像数据集 PIL（现在通常使用其分支 Pillow）提供了简单易用的方式来进行基本操作。对于大批量的数据集同样适用，下面展示了一种方法： ```python from PIL import Image import os def load_images_pil(image_path): images = [] valid_images = [".jpg",".gif",".png", ".jpeg"] for f in os.listdir(image_path): ext = os.path.splitext(f)[1] if ext.lower() not in valid_images: continue img = Image.open(os.path.join(image_path, f)) images.append(img) return images ``` 此段脚本实现了对给定路径下的多种格式图片的支持，并将其转换成Image对象存储起来以便后续处理。 #### TensorFlow 数据集 API 加载图像 TensorFlow 提供了更高级别的抽象——`tf.data.Dataset` 接口，它允许构建高效输入管道，尤其适合大规模机器学习任务。这里给出一个简单的例子说明如何利用该接口快速获取一批训练样本： ```python import tensorflow as tf image_paths = [...] # 图片地址列表 labels = [...] # 对应标签数组 dataset = tf.data.Dataset.from_tensor_slices((image_paths, labels)) def _parse_function(filename, label): image_string = tf.io.read_file(filename) image_decoded = tf.image.decode_jpeg(image_string, channels=3) image_resized = tf.image.resize(image_decoded, [256, 256]) return image_resized, label dataset = dataset.map(_parse_function) for data in dataset.take(1): # 取出第一个批次作为演示 print(data) ``` 上述代码片段展示了创建自定义解析器 `_parse_function` 来预处理每一张原始图象至固定尺寸的过程；接着调用了 `.map()` 方法应用这些变换到每一个元素上[^2]。