将.tiff格式图片转换为可视化的png，jpg，bmp等格式（附代码）

目前常用的.tiff格式图片转png格式图片，搜了一下，多数都是第三方平台直接转换，需要米，其实大可不必，自己撸代码就可以直接转换。

TIFF（Tagged Image File Format）是一种灵活的位图格式，主要用来存储包括照片和艺术图在内的图像。它最初由Aldus公司与微软公司一起为PostScript打印开发。TIFF与JPEG和PNG一起成为流行的高位彩色图像格式。TIFF是一个灵活适应性强的文件格式，通过在文件头中包含“标签”它能够在一个文件中处理多幅图像和数据。

目录

  • 一、.tiff格式图片
  • 二、tiff转png，jpg代码
    • 2.1 代码环境准备
    • 2.2 代码参数修改
    • 2.3 权重文件
    • 2.4 单帧转换代码
      • 2.4.1 源码包下载
    • 2.5 批量多帧转换代码
  • 三、转换效果
    • 3.1 转换测试场景1
    • 3.2 转换测试场景2
    • 3.3 转换测试场景3
    • 3.4 转换测试场景4
    • 3.5 转换测试场景5
    • 3.6 批量转换效果
  • 四、总结

一、.tiff格式图片

在Windows电脑端直接使用电脑工具打开.tiff格式图片，只看得到白色，这是因为.tiff格式的图片像素值超过255了，显示时都被强制转为了255显示，随便挑一副.tiff格式图片及查看像素值，如下：
在这里插入图片描述

在这里插入图片描述

为了直观查看图片中内容，需要转换为显示器能正常显示了png，jpg，bmp等可视化显示。

二、tiff转png，jpg代码

2.1 代码环境准备

使用此代码需要在Pytorch环境中才能正常运行，Pytorch的安装参考博文：Pytorch安装，Pytorch官网链接为：Pytorch官网安装

我自己的Pytorch版本及Python版本号参考如下：

在这里插入图片描述

2.2 代码参数修改

学者使用代码时只需修改图片路径和保存图片的路径即可。

在这里插入图片描述

2.3 权重文件

在我提供的源码包中权重文件，具体位置如下，在isp文件中：

在这里插入图片描述

2.4 单帧转换代码

下面是tiff转换png格式的完整代码，该代码就是我提供的源码包中的tif_To_png.py文件。
在这里插入图片描述


import cv2
import numpy as np
import torch

def pack_gbrg_raw(raw):                                               # 定义一个名为pack_gbrg_raw的函数，它接受一个参数raw，这个参数是一个GBRG格式的Bayer原始图像
    #pack GBRG Bayer raw to 4 channels
    black_level = 240                                                 # 定义黑色和白色的级别。这两个值用于后续的图像归一化。
    white_level = 2**12-1
    im = raw.astype(np.float32)                                       # 将输入的原始图像转换为浮点数类型
    im = np.maximum(im - black_level, 0) / (white_level-black_level)  # 对图像进行归一化处理，使其值在0到1之间

    im = np.expand_dims(im, axis=2)                                   # 在第三个维度（即通道维度）上为图像增加一个维度。
    img_shape = im.shape
    H = img_shape[0]                                                  # 获取图像的形状，并将高度和宽度分别存储在H和W中。
    W = img_shape[1]

    out = np.concatenate((im[1:H:2, 0:W:2, :],          # r           # 将图像的四个通道（R，Gr，B，Gb）沿着第三个维度（即通道维度）进行拼接。
                          im[1:H:2, 1:W:2, :],          # gr
                          im[0:H:2, 1:W:2, :],          # b
                          im[0:H:2, 0:W:2, :]), axis=2) # gb
    return out

def tensor2numpy(raw):  # raw: 1 * 4 * H * W
    input_full = raw.permute((0, 2, 3, 1))   # 1 * H * W * 4
    input_full = input_full.data.cpu().numpy()
    output = np.clip(input_full,0,1)
    return output

def preprocess(raw):
    input_full = raw.transpose((0, 3, 1, 2))
    input_full = torch.from_numpy(input_full)
    input_full = input_full.cuda()
    return input_full


img = cv2.imread("tif_images/4.tiff",-1)                           # 读入tiff格式图片
img = np.expand_dims(pack_gbrg_raw(img), axis=0)

isp = torch.load('isp/ISP_CNN.pth')

test_gt = (img - 240) / (2 ** 12 - 1 - 240)

gt_raw_frame = test_gt * (2 ** 12 - 1 - 240) + 240
gt_srgb_frame = tensor2numpy(isp(preprocess(gt_raw_frame)))[0]

img_png = np.uint8(gt_srgb_frame * 255)

cv2.imwrite("result_images/4.png",img_png)                         # 保存转换后的png或jpg图片路径及图片名称
cv2.imshow("img",img_png)
cv2.waitKey()
cv2.destroyAllWindows()

想要正常运行上面代码，还需要一个脚本文件models.py，该代码我放在了源码包中，学者自行下载使用。
在这里插入图片描述

2.4.1 源码包下载

源码包的下载链接为：源码包，提取码：5kh2

源码包中我提供了5张.tiff格式的测试图片，在tif_images文件夹中，如下：
在这里插入图片描述

2.5 批量多帧转换代码

学者使用下面代码，只需要修改两个地方即可，见下：
在这里插入图片描述
在这里插入图片描述


import cv2
import numpy as np
import torch
import os
import sys

def pack_gbrg_raw(raw):                                               # 定义一个名为pack_gbrg_raw的函数，它接受一个参数raw，这个参数是一个GBRG格式的Bayer原始图像
    #pack GBRG Bayer raw to 4 channels
    black_level = 240                                                 # 定义黑色和白色的级别。这两个值用于后续的图像归一化。
    white_level = 2**12-1
    im = raw.astype(np.float32)                                       # 将输入的原始图像转换为浮点数类型
    im = np.maximum(im - black_level, 0) / (white_level-black_level)  # 对图像进行归一化处理，使其值在0到1之间

    im = np.expand_dims(im, axis=2)                                   # 在第三个维度（即通道维度）上为图像增加一个维度。
    img_shape = im.shape
    H = img_shape[0]                                                  # 获取图像的形状，并将高度和宽度分别存储在H和W中。
    W = img_shape[1]

    out = np.concatenate((im[1:H:2, 0:W:2, :],          # r           # 将图像的四个通道（R，Gr，B，Gb）沿着第三个维度（即通道维度）进行拼接。
                          im[1:H:2, 1:W:2, :],          # gr
                          im[0:H:2, 1:W:2, :],          # b
                          im[0:H:2, 0:W:2, :]), axis=2) # gb
    return out

def tensor2numpy(raw):  # raw: 1 * 4 * H * W
    input_full = raw.permute((0, 2, 3, 1))   # 1 * H * W * 4
    input_full = input_full.data.cpu().numpy()
    output = np.clip(input_full,0,1)
    return output

def preprocess(raw):
    input_full = raw.transpose((0, 3, 1, 2))
    input_full = torch.from_numpy(input_full)
    input_full = input_full.cuda()
    return input_full

img_path = "CRVD_dataset/indoor_raw_noisy/indoor_raw_noisy_scene7/scene7/ISO1600"                        # tiff格式图片路径
save_path = "CRVD_dataset/indoor_raw_noisy/indoor_raw_noisy_scene7/scene7/ISO1600_png"                   # 转换后的保存路径

file = os.listdir(path=img_path)

for item in file:
    img = cv2.imread(os.path.join(img_path,item),-1)

    img = np.expand_dims(pack_gbrg_raw(img), axis=0)

    isp = torch.load('isp/ISP_CNN.pth')
    test_gt = (img - 240) / (2 ** 12 - 1 - 240)                   # 计算地面真实图像的标准化值
    gt_raw_frame = test_gt * (2 ** 12 - 1 - 240) + 240            # 计算输出的最终值
    gt_srgb_frame = tensor2numpy(isp(preprocess(gt_raw_frame)))[0]   # 将预处理后的图像转换为sRGB格式

    img_png = np.uint8(gt_srgb_frame * 255)


    out_file = item[:-5] + ".png"
    print('图片{}转换为png成功！'.format(item))

    cv2.imwrite(os.path.join(save_path,out_file), img_png)

    key = cv2.waitKey(30) & 0xff
    if key == 27:
        sys.exit(0)

三、转换效果

3.1 转换测试场景1

在这里插入图片描述

3.2 转换测试场景2

在这里插入图片描述

3.3 转换测试场景3

在这里插入图片描述

3.4 转换测试场景4

该场景下，原始的.tiff图像就是噪声图。
在这里插入图片描述

3.5 转换测试场景5

在这里插入图片描述

3.6 批量转换效果

在这里插入图片描述

通过以上多场景测试，可以看到能够正常的转换回原始的色彩，图像细节都在。

四、总结

以上就是将.tiff格式图片转换为可视化的png，jpg，bmp等格式的完整过程，在我提供的示例代码中主要是将.tiff格式图片转为.png格式，学者如果想转为其它格式的图片，只需要在保存图片时修改后缀即可。

我上面测试的四个场景中，有的图片有噪声不是转换后才有的，是原始的.tiff格式就是噪声图，不用担心转换后改变原始图像细节。

总结不易，多多支持，谢谢！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/217666.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

Android 应用程序无响应定位ANR原因

Android 应用程序无响应定位ANR原因

废话不多说，直接上方案： 第一步： 执行adb命令 adb bugreport /Users/mac/Desktop/anr 解压后FS/data/anr下就会有相关anr文件 /Users/mac/Desktop/anr 是电脑存储文件的路径，可以随便定义，这个没有影响。我的电脑是…
阅读更多...
做一个类似万师傅家政小程序需要有哪些功能？

做一个类似万师傅家政小程序需要有哪些功能？

现如今人们生活节奏不断加快，自然很少有时间去处理生活中的琐事，恰好家政维修保洁小程序开发则能给线下用户提供方便。 家政保洁小程序应该具备哪些功能？ 1、提供家政行业资讯，方便用户在选择家政保洁前了解行业动态。 2、分类搜…
阅读更多...
【Linux】more命令使用

【Linux】more命令使用

more 是linux的一个命令，类似cat命令，会以一页一页的显示，方便使用者逐页阅读。 More是一个过滤器，用于一次一屏地对文本进行分页。这个版本特别原始。用户应该意识到，less（1）提供了更多的模拟…
阅读更多...
算法分析复习重点

算法分析复习重点

目录 复习重点 子集数 01背包 排列树 （可以求出所有的解，但是是残缺的） n-皇后 n的全排列 回溯法 就是对隐式图的深度优先搜索 算法 （勤劳或许也是一种诅咒） 八皇后回溯的过程 解空间 结点的扩展规则 搜…
阅读更多...
大模型技术的发展与实践

大模型技术的发展与实践

一、大模型的概念 大型语言模型，也称大语言模型、大模型（Large Language Model，LLM；Large Language Models，LLMs) 。 大语言模型是一种深度学习模型，特别是属于自然语言处理（NLP）的…
阅读更多...
【皇帝的新装】像管理产品一样，来管理自己

【皇帝的新装】像管理产品一样，来管理自己

在前进的路上需要不时的回头看，看自己来时的脚步，是杂乱无章，还是方向一致。善于从经验中总结可以让我们少走许多弯路，降低我们的消耗。 偶然间，回头看看，入行产品经理已经三年有余。沉迷在各种具体事务中&…
阅读更多...
类与对象的概念：创建及调用方法

类与对象的概念：创建及调用方法

掌握类和创建对象的关系 定义类 定义对象 定义和调用方法 编程思想：面向过程编程，面向对象编程 系统提供数据类型【String，char，double】，我们也可以自己定义类型：根据自定义类型所衍生出来的变量就是…
阅读更多...
【Cadence Allegro17.4】

【Cadence Allegro17.4】

Cadence Allegro17.4 1. Cadence Allegro17.42. pcb工程文件的介绍3.4.5.6. 1. Cadence Allegro17.4 常用的工具 2. pcb工程文件的介绍 新建工程 ： 飞行器 要创建的文件夹 GERBER光会文件，发出去制版。 DXF结构文件， pcb文件 lib 封装库 sc…
阅读更多...
2023博思高科技智慧车行、人行专项研讨会成功召开

2023博思高科技智慧车行、人行专项研讨会成功召开

来源：智安物联网 11月30日，深圳市博思高科技有限公司（以下简称“博思高科技”）在其总部成功举办了智慧车行、人行专项研讨会议。本次会议邀请了来自国家发改委综合运输研究所的程世东主任，中国安全防范产品行业协会原…
阅读更多...
BFS求树的宽度——结合数组建树思想算距离

BFS求树的宽度——结合数组建树思想算距离

二叉树最大宽度 https://leetcode.cn/problems/maximum-width-of-binary-tree/description/ 1、考虑树的宽度一定是在一层上的所以进行BFS，树的BFS不建议直接使用队列，每次add/offer然后poll/remove，这样子层级关系不好显示。我们可以定义…
阅读更多...
基于现代学徒制的大数据技术与应用人才培养模式探讨

基于现代学徒制的大数据技术与应用人才培养模式探讨

学生学徒制的实施旨在解决当前新技术企业招聘技能人才难和青年就业难的结构性矛盾，通过生态链链主企业携手院校共同解决毕业年度学生就业问题，按照学生个人意愿，建立以就业导向的学生学徒制关系，签订学徒培养协议确定学生就业岗位…
阅读更多...
SAP系统邮件功能配置 SCOT ＜转载＞

SAP系统邮件功能配置 SCOT ＜转载＞

原文链接：https://zhuanlan.zhihu.com/p/71594578 相信SAP顾问或多或少都会接到用户要求SAP系统能够定时发送邮件的功能，定时将用户需要的信息已邮件的方式发送给固定的人员。 下面就来讲一下SAP发送邮件应该如何配置： 1、RZ10做配置&#…
阅读更多...
【蓝桥杯】 蓝桥杯Python必备基础知识

【蓝桥杯】 蓝桥杯Python必备基础知识

输入输出 #读取int类型数据 x int(input()) #读取float类型数据 x float(input()) #读取string类型数据 x input() #读取多个数据 x, y map(int, input().split()) #其他基本类型同理 #读取一行的数据存放到数组种 int_list [int(i) for i in input().split()] #其他基…
阅读更多...
基于SSM框架的网上书店系统

基于SSM框架的网上书店系统

基于SSM框架的网上书店系统 文章目录 基于SSM框架的网上书店系统 一.引言二.系统设计三.技术架构四.功能实现五.界面展示六.源码获取 一.引言 随着互联网的普及和电子商务的快速发展，网上书店系统成为了现代人购买图书的主要方式之一。网上书店系统不仅提供了便捷的…
阅读更多...
【性能测试】混合业务场景按比例设计

【性能测试】混合业务场景按比例设计

已知从生产环境中统计出的接口比例如下所示： 接口接口比例接口140%接口220%接口330%接口410% 场景一：以上接口无上下依赖关系，设计出容量场景 接口1比例如下： 接口2比例如下： 接口3比例如下： 接口4比例…
阅读更多...
跨浏览器测试：如何确保你的应用在各种浏览器上都能正常运行

跨浏览器测试：如何确保你的应用在各种浏览器上都能正常运行

在当今的互联网时代，浏览器已成为我们获取信息、与他人交流、工作和娱乐的主要工具。然而，不同的浏览器、不同的版本和不同的操作系统可能会对你的应用造成不同的影响，可能使其表现出各种不同的行为和问题。为了确保你的应用能在各种浏览器环…
阅读更多...
每日3道PWN（第一天）

每日3道PWN（第一天）

环境准备 我现在用的是kali 现阶段工具：checkesc、IDA、比较完善的python环境 下载工具的话，我这里不提供了 buuctf——test_your_nc1 参考wp： BUUCTF PWN-----第1题:test_your_nc_buuctf test_your_nc-CSDN博客 查看的资料：…
阅读更多...
C++作业1

C++作业1

提示并输入一个字符串&#xff0c;统计该字符中大写、小写字母个数、数字个数、空格个数以及其他字符个数 要求使用C风格字符串完成 代码&#xff1a; #include <iostream>using namespace std;int main() {string str;cout << "请输入一个字符串:" &…
阅读更多...
sagment-anything官方代码使用详解

sagment-anything官方代码使用详解

文章目录 一. sagment-anything官方例程说明1. 结果显示函数说明2. SamAutomaticMaskGenerator对象(1) SamAutomaticMaskGenerator初始化参数 3. SamPredictor对象(1) 初始化参数(2) set_image()(3) predict() 二. SamPredictor流程说明1. 导入所需要的库2. 读取图像3. 加载模型…
阅读更多...
IntelliJ IDEA的下载安装配置步骤详解

IntelliJ IDEA的下载安装配置步骤详解

引言 IntelliJ IDEA 是一款功能强大的集成开发环境&#xff0c;它具有许多优势&#xff0c;适用于各种开发过程。本文将介绍 IDEA 的主要优势&#xff0c;并提供详细的安装配置步骤。 介绍 IntelliJ IDEA&#xff08;以下简称 IDEA&#xff09;之所以被广泛使用&#xff0c;…
阅读更多...
最新文章

Copyright @ 2022~2023