python读取文件夹下png图片长和宽

你可以使用Python的os和Pillow库来读取文件夹下的PNG图片，并获取它们的长和宽。下面是一个例子：

import os
from PIL import Image

# 定义文件夹路径
folder_path = 'path/to/folder'

# 遍历文件夹中的所有PNG文件
for filename in os.listdir(folder_path):
    if filename.endswith('.png'):
        # 打开PNG图片
        img = Image.open(os.path.join(folder_path, filename))

        # 获取图片大小（长和宽）
        width, height = img.size

        # 输出图片大小
        print(filename + ' 的宽度为：', width)
        print(filename + ' 的高度为：', height)

需要注意的是，这个例子中的`path/to/folder`应该替换成你实际的文件夹路径。同时，如果文件夹中有其他类型的文件（例如JPG文件），你可能需要修改代码中的判断条件。

相关问题

python读取png图片长和宽

你可以使用Python中的Pillow库来读取PNG图片，并获取它的长和宽。下面是一个例子：

from PIL import Image

# 打开PNG图片
img = Image.open('path/to/image.png')

# 获取图片大小（长和宽）
width, height = img.size

# 输出图片大小
print('图片宽度为：', width)
print('图片高度为：', height)

需要注意的是，这个例子中的`path/to/image.png`应该替换成你实际的PNG图片路径。

提供能实现基于概率分布的超声图像与自然图像性质差异分析的完整代码，超声图像的文件路径是D:\zzz\na5，自然图像的文件路径是D:\zzz\us5,两种图像都有778张，请注意每张图像的长和宽不都一样需要调整，需要先进行归一化处理，需要比较大量数据确保结果的正确性，需要判断超声图像与自然图像的像素值分布是否存在显著差异，需要统计所有结果进行差异性检验和分析，需要可视化使结果尽量明显

以下是实现基于概率分布的超声图像与自然图像性质差异分析的完整代码：

import numpy as np
import cv2
from scipy.stats import ks_2samp
import matplotlib.pyplot as plt

us_path = 'D:/zzz/us5/'
na_path = 'D:/zzz/na5/'

# 归一化处理函数
def normalize(img):
    img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    img = cv2.resize(img, (512, 512))
    img = cv2.normalize(img, None, 0, 255, cv2.NORM_MINMAX)
    return img

# 计算两个图像的像素值分布差异
def pixel_distribution_diff(img1, img2):
    hist1 = cv2.calcHist([img1], [0], None, [256], [0, 256])
    hist2 = cv2.calcHist([img2], [0], None, [256], [0, 256])
    hist1 = hist1.ravel()
    hist2 = hist2.ravel()
    stat, p = ks_2samp(hist1, hist2)
    return p

# 遍历所有图像，计算像素值分布差异
p_values = []
for i in range(778):
    # 读取图像
    us_img = cv2.imread(us_path + str(i) + '.png')
    na_img = cv2.imread(na_path + str(i) + '.png')
    # 归一化处理
    us_img = normalize(us_img)
    na_img = normalize(na_img)
    # 计算像素值分布差异
    p = pixel_distribution_diff(us_img, na_img)
    p_values.append(p)

# 显示差异性检验结果
plt.hist(p_values, bins=30)
plt.xlabel('p-value')
plt.ylabel('count')
plt.show()

首先定义了一个`normalize`函数用于归一化处理图像，该函数会将图像转换为灰度图，并将其缩放为512x512，最后使用`cv2.normalize`函数将像素值归一化到0-255之间。

然后定义了一个`pixel_distribution_diff`函数用于计算两个图像的像素值分布差异，该函数会计算两个图像的直方图并使用`ks_2samp`函数计算它们之间的KS统计量和P值。

接下来遍历所有图像，在读取图像后先使用`normalize`函数对其进行归一化处理，然后使用`pixel_distribution_diff`函数计算该图像与自然图像的像素值分布差异，将所有的P值存储在一个列表中。

最后使用`plt.hist`函数将所有P值的分布情况可视化，以便进行差异性检验和分析。

需要注意的是，由于超声图像与自然图像的大小不同，因此在进行像素值分布差异计算之前需要先进行归一化处理和调整大小。此外，为了确保结果的正确性，需要比较大量数据，以充分地反映两种图像的性质差异。