from PIL import Image的Image.size图片大小和excel用xlsxwriter设置的worksheet.set_column（）大小之间的关系

同样地，`Image.size` 返回的是一个元组，包含了 PIL 中打开的图像的宽度和高度（单位为像素）。而 `worksheet.set_column()` 是用于设置 Excel 表格中列的宽度的方法，单位是像素。因此，你可以直接使用图片的宽度（单位为像素）来设置单元格的列宽，以便在 Excel 中正确显示图片。具体地说，可以使用以下代码进行设置：

import xlsxwriter
from PIL import Image

# 打开图片并获取宽度和高度
img = Image.open('example.jpg')
width, height = img.size

# 创建 Excel 文件和工作表
workbook = xlsxwriter.Workbook('example.xlsx')
worksheet = workbook.add_worksheet()

# 设置第一列的宽度为图片的宽度
worksheet.set_column(0, 0, width)

# 在第一列插入图片
worksheet.insert_image(0, 0, 'example.jpg')

# 关闭 Excel 文件
workbook.close()

这样设置列宽后，图片应该可以在单元格中正确显示。注意，如果图片的宽度过大，可能会导致列宽不够，此时可以手动调整列宽，或者将图片缩小一些以适应列宽。

相关问题

以下代码不用io模块的替代方案是什么？import xlsxwriter # 创建一个新的 Excel 文件并添加一个工作表 workbook = xlsxwriter.Workbook('example.xlsx') worksheet = workbook.add_worksheet() # 设置单元格的宽度和高度 worksheet.set_column('A:A', 30) worksheet.set_row(1, 150) # 定义要插入的图片路径 image_path = 'example.jpg' # 获取图片的宽度和高度 with open(image_path, 'rb') as f: image_data = f.read() image_width, image_height = PIL.Image.open(io.BytesIO(image_data)).size # 插入图片并保持原始宽高比 worksheet.insert_image('A2', image_path, {'x_scale': 1, 'y_scale': 1, 'image_data': image_data, 'object_position': 1}) # 关闭 Excel 文件 workbook.close()

可以使用 `Pillow` 库中的 `Image` 类来获取图片的尺寸信息，而无需使用 `io` 模块：

import xlsxwriter
from PIL import Image

# 创建一个新的 Excel 文件并添加一个工作表
workbook = xlsxwriter.Workbook('example.xlsx')
worksheet = workbook.add_worksheet()

# 设置单元格的宽度和高度
worksheet.set_column('A:A', 30)
worksheet.set_row(1, 150)

# 定义要插入的图片路径
image_path = 'example.jpg'

# 获取图片的宽度和高度
with open(image_path, 'rb') as f:
    image_data = f.read()
    image_width, image_height = Image.open(image_path).size

# 插入图片并保持原始宽高比
worksheet.insert_image('A2', image_path, {'x_scale': 1, 'y_scale': 1, 'image_data': image_data, 'object_position': 1})

# 关闭 Excel 文件
workbook.close()

这里使用 `Pillow` 库中的 `Image` 类的 `open()` 方法打开图片文件 `image_path`，并使用 `size` 属性获取图片的宽度和高度信息。由于 `insert_image()` 方法需要传入图片的二进制数据，因此在插入图片时仍需要读取一次图片的二进制数据。

import tensorflow.compat.v1 as tf tf.disable_v2_behavior() from PIL import Image import matplotlib.pyplot as plt import input_data import model import numpy as np import xlsxwriter num_threads = 4 def evaluate_one_image(): test_dir = 'data/test/' import glob import xlwt test_img = glob.glob(test_dir + '*.jpg') workbook = xlsxwriter.Workbook('formatting.xlsx') worksheet = workbook.add_worksheet('My Worksheet') for index,img in enumerate(test_img): image = Image.open(img) image = image.resize([208, 208]) image_array = np.array(image) with tf.Graph().as_default(): BATCH_SIZE = 1 N_CLASSES = 4 image = tf.cast(image_array, tf.float32) image = tf.image.per_image_standardization(image) image = tf.reshape(image, [1, 208, 208, 3]) logit = model.cnn_inference(image, BATCH_SIZE, N_CLASSES) logit = tf.nn.softmax(logit) x = tf.placeholder(tf.float32, shape=[208, 208, 3]) logs_train_dir = 'log/' saver = tf.train.Saver() with tf.Session() as sess: prediction = sess.run(logit, feed_dict={x: image_array}) max_index = np.argmax(prediction) workbook.close() if __name__ == '__main__': evaluate_one_image()改为多线程运算

要将代码改为多线程运算，您可以使用 TensorFlow 的 `tf.train.Coordinator()` 和 `tf.train.start_queue_runners()` 来管理和启动多个线程。以下是修改后的代码示例：

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
from PIL import Image
import matplotlib.pyplot as plt
import input_data
import model
import numpy as np
import xlsxwriter

num_threads = 4

def evaluate_one_image(image_array, index):
    with tf.Graph().as_default():
        BATCH_SIZE = 1
        N_CLASSES = 4 
        
        image = tf.cast(image_array, tf.float32)
        image = tf.image.per_image_standardization(image)
        image = tf.reshape(image, [1, 208, 208, 3]) 
        
        logit = model.cnn_inference(image, BATCH_SIZE, N_CLASSES) 
        logit = tf.nn.softmax(logit)
        
        x = tf.placeholder(tf.float32, shape=[208, 208, 3]) 
        logs_train_dir = 'log/'
        
        saver = tf.train.Saver()
        
        with tf.Session() as sess:
            prediction = sess.run(logit, feed_dict={x: image_array})   
            max_index = np.argmax(prediction)
            
            # 将结果写入 Excel 表格
            workbook = xlsxwriter.Workbook('formatting.xlsx')
            worksheet = workbook.add_worksheet('My Worksheet')
            worksheet.write(index, 0, max_index)
            workbook.close()

def evaluate_images(test_img):
    coord = tf.train.Coordinator()
    threads = tf.train.start_queue_runners(coord=coord)

    for index, img in enumerate(test_img):
        image = Image.open(img)
        image = image.resize([208, 208])
        image_array = np.array(image) 
        
        # 在每个线程中调用 evaluate_one_image()
        tf.compat.v1.threading.Thread(target=evaluate_one_image, args=(image_array, index)).start()

    # 请求停止所有线程
    coord.request_stop()
    # 等待所有线程完成
    coord.join(threads)

if __name__ == '__main__':
    test_dir = 'data/test/'
    import glob
    import xlwt
    test_img = glob.glob(test_dir + '*.jpg')
    evaluate_images(test_img)

在修改后的代码中，我们首先定义了一个新的函数 `evaluate_one_image()`，它接受图像数组和索引作为参数，表示要评估的单个图像。在这个函数中，我们将使用传递的图像数组进行评估操作。

然后，在 `evaluate_images()` 函数中，我们使用 `tf.train.Coordinator()` 和 `tf.train.start_queue_runners()` 启动了多个线程。在每个线程中，我们使用 `tf.compat.v1.threading.Thread()` 创建一个新的线程，并在其中调用 `evaluate_one_image()` 函数来评估图像。

最后，在主函数中通过调用 `evaluate_images()` 函数来启动评估过程。

这样，您就可以利用多线程同时评估多个图像了。

希望对您有帮助！如果您还有其他问题，请随时提问。