小编J. *_*vez的帖子

在处理深度学习项目时，我有很多不需要颜色的图像。我救了他们：

import matplotlib.pyplot as plt

plt.imsave('image.png', image, format='png', cmap='gray')

然而后来当我检查图像的形状时，结果是：

import cv2
img_rgb = cv2.imread('image.png')
print(img_rgb.shape)
(196,256,3)

因此，即使我查看的图像是灰度图像，我仍然有 3 个颜色通道。我意识到我必须进行一些代数运算才能将这 3 个通道转换为 1 个单通道。

我已经尝试过线程“如何在 Python 中将 RGB 图像转换为灰度？ ”中描述的方法，但我很困惑。

例如，何时使用以下方法进行转换：

from skimage import color
from skimage import io
img_gray = color.rgb2gray(io.imread('image.png'))
plt.imsave('image_gray.png', img_gray, format='png')

但是，当我加载新图像并检查其形状时：

img_gr = cv2.imread('image_gray.png')
print(img_gr.shape)
(196,256,3)

我尝试了该线程上的其他方法，但结果是相同的。我的目标是获得形状为 (196,256,1) 的图像，因为卷积神经网络的计算强度会大大降低。

任何帮助，将不胜感激。

还没有找到任何可以应用于我的问题的答案，所以这里是：

我有一个图像的初始数据框，我想根据该图像的描述将其分成两个，这是“描述”列中的一个字符串。

我的问题是并非所有的描述都是一样的。这是我的意思的一个例子：

一些图像被加速，而另一些则没有。这就是我想用来分割数据集的标准。

然而，即使是加速和非加速的图像描述也各不相同。

我的策略是将每个包含“ACC”的字符串（这将涵盖所有加速图像）重命名为“ACCELERATED IMAGE”。

然后我可以这样做：

df_Accl = df[df.Description == "ACCELERATED IMAGE"]
df_NonAccl = df[df.Description != "ACCELERATED IMAGE"]

我怎样才能做到这一点？这只是我想出的一个策略，如果有任何其他更有效的方法可以随意说出来。