已经有了压缩前后的彩色图像,写一个在jupyter notebooks上,先调整尺寸一致,再计算其压缩率的代码

时间: 2024-02-17 21:00:47 浏览: 102
好的,以下是一个示例代码: ```python from PIL import Image import os # 设置图像路径 img_path1 = "image1.jpg" img_path2 = "image2.jpg" # 打开图像并调整尺寸 img1 = Image.open(img_path1) img2 = Image.open(img_path2) width = min(img1.width, img2.width) height = min(img1.height, img2.height) img1 = img1.resize((width, height)) img2 = img2.resize((width, height)) # 计算压缩率 size1 = os.path.getsize(img_path1) size2 = os.path.getsize(img_path2) compression_rate = (size2 / size1) * 100 print("压缩率为:%.2f%%" % compression_rate) ``` 注意,这里使用了Pillow库来打开和调整图像尺寸,使用os库获取文件大小。你需要根据实际情况替换`img_path1`和`img_path2`的值。
相关问题

已经有了压缩前后的彩色图像,写一个在jupyter notebooks上计算七压缩率的代码

好的,以下是一个在 Jupyter Notebook 上计算七种压缩率的代码示例。这个代码使用了 Python 的 Pillow 库进行图像的读取和压缩,以及 NumPy 库进行数组计算。 ```python from PIL import Image import numpy as np import io # 读取原始图像和压缩后图像 original_img = Image.open('test.jpg') compressed_img = Image.open('test_compressed.jpg') # 将图像转换为 NumPy 数组 original_img_arr = np.array(original_img) compressed_img_arr = np.array(compressed_img) # 计算原始图像大小 original_size = original_img_arr.nbytes # 计算压缩后图像大小 compressed_size = compressed_img_arr.nbytes # 计算压缩率 compression_ratio = compressed_size / original_size # 计算峰值信噪比(PSNR) mse = np.mean((original_img_arr - compressed_img_arr) ** 2) psnr = 10 * np.log10(255**2 / mse) # 计算结构相似性指数(SSIM) from skimage.metrics import structural_similarity as ssim ssim_score = ssim(original_img_arr, compressed_img_arr, multichannel=True) # 计算峰值信噪比改进比(PSNR-HVS) from skimage.metrics import peak_signal_noise_ratio as psnr_hvs psnr_hvs_score = psnr_hvs(original_img_arr, compressed_img_arr, data_range=original_img_arr.max()) # 计算多样性信噪比(MS-SSIM) from skimage.metrics import multi_scale_ssim as ms_ssim ms_ssim_score = ms_ssim(original_img_arr, compressed_img_arr, data_range=original_img_arr.max(), win_size=11) # 计算复杂度压缩比(CPC) cpc = psnr / compression_ratio # 输出七种压缩率 print(f"Compression ratio: {compression_ratio:.4f}") print(f"Peak Signal-to-Noise Ratio (PSNR): {psnr:.2f}") print(f"Structural Similarity Index (SSIM): {ssim_score:.4f}") print(f"Peak Signal-to-Noise Ratio - HVS (PSNR-HVS): {psnr_hvs_score:.2f}") print(f"Multi-Scale Structural Similarity (MS-SSIM): {ms_ssim_score:.4f}") print(f"Complexity-Compression Ratio (CPC): {cpc:.2f}") print(f"Original size: {original_size:,}") print(f"Compressed size: {compressed_size:,}") ``` 在这个示例中,我们首先使用 Pillow 库读取了一张名为 `test.jpg` 的原始彩色图像和一张名为 `test_compressed.jpg` 的压缩后彩色图像,并将它们分别转换为 NumPy 数组。然后,我们使用 NumPy 和 scikit-image 库计算了七种压缩率,包括压缩率、峰值信噪比(PSNR)、结构相似性指数(SSIM)、峰值信噪比改进比(PSNR-HVS)、多尺度结构相似性指数(MS-SSIM)、复杂度压缩比(CPC)以及原始图像大小和压缩后图像大小。最后,我们输出了这七种压缩率的结果。 请注意,这个示例中使用了 scikit-image 库的一些函数,如果您的环境中没有安装该库,请先使用 pip 或 conda 进行安装。另外,这个示例中计算的七种压缩率可能并不完整,具体的压缩率指标可以根据需要进行调整。

写一个在jupyter notebooks上测量彩色图像压缩前后压缩率的代码

好的,以下是一个在 Jupyter Notebook 上测量彩色图像压缩前后压缩率的代码示例。这个代码使用了 Python 的 Pillow 库进行图像的读取和压缩,以及 NumPy 库进行数组计算。 ```python from PIL import Image import numpy as np import io # 读取原始图像 img = Image.open('test.jpg') # 将图像转换为 NumPy 数组 img_arr = np.array(img) # 计算原始图像大小 original_size = img_arr.nbytes # 压缩图像 # 这里使用 JPEG 压缩,压缩质量为 70% compressed_img = io.BytesIO() img.save(compressed_img, format='JPEG', quality=70) # 计算压缩后图像大小 compressed_size = compressed_img.tell() # 读取压缩后图像 compressed_img.seek(0) compressed_img_data = compressed_img.read() compressed_img = Image.open(io.BytesIO(compressed_img_data)) # 将压缩后图像转换为 NumPy 数组 compressed_img_arr = np.array(compressed_img) # 计算压缩率 compression_ratio = compressed_size / original_size # 输出压缩前后的大小和压缩率 print(f"Original size: {original_size:,}") print(f"Compressed size: {compressed_size:,}") print(f"Compression ratio: {compression_ratio:.2f}") ``` 在这个示例中,我们首先使用 Pillow 库读取了一张名为 `test.jpg` 的彩色图像,并将其转换为 NumPy 数组。然后,我们计算了原始图像的大小,并使用 JPEG 压缩算法对图像进行了压缩。接着,我们计算了压缩后图像的大小,并将其读取为 Pillow 对象。我们将压缩后的图像再次转换为 NumPy 数组,并计算了压缩率。最后,我们输出了压缩前后的大小和压缩率的结果。 请注意,这个示例中压缩质量设置为 70%,这个值可以根据需要进行调整。另外,如果要测量多张图像的压缩前后压缩率,可以将这个代码放入循环中,对每张图像进行压缩和压缩率计算。
阅读全文

相关推荐

最新推荐

recommend-type

关于组织参加“第八届‘泰迪杯’数据挖掘挑战赛”的通知-4页

关于组织参加“第八届‘泰迪杯’数据挖掘挑战赛”的通知-4页
recommend-type

PyMySQL-1.1.0rc1.tar.gz

PyMySQL-1.1.0rc1.tar.gz
recommend-type

技术资料分享CC2530中文数据手册完全版非常好的技术资料.zip

技术资料分享CC2530中文数据手册完全版非常好的技术资料.zip
recommend-type

docker构建php开发环境

docker构建php开发环境
recommend-type

VB程序实例59_系统信息_显示分辨率.zip

VB程序实例,可供参考学习使用,希望对你有所帮助
recommend-type

StarModAPI: StarMade 模组开发的Java API工具包

资源摘要信息:"StarModAPI: StarMade 模组 API是一个用于开发StarMade游戏模组的编程接口。StarMade是一款开放世界的太空建造游戏,玩家可以在游戏中自由探索、建造和战斗。该API为开发者提供了扩展和修改游戏机制的能力,使得他们能够创建自定义的游戏内容,例如新的星球类型、船只、武器以及各种游戏事件。 此API是基于Java语言开发的,因此开发者需要具备一定的Java编程基础。同时,由于文档中提到的先决条件是'8',这很可能指的是Java的版本要求,意味着开发者需要安装和配置Java 8或更高版本的开发环境。 API的使用通常需要遵循特定的许可协议,文档中提到的'在许可下获得'可能是指开发者需要遵守特定的授权协议才能合法地使用StarModAPI来创建模组。这些协议通常会规定如何分发和使用API以及由此产生的模组。 文件名称列表中的"StarModAPI-master"暗示这是一个包含了API所有源代码和文档的主版本控制仓库。在这个仓库中,开发者可以找到所有的API接口定义、示例代码、开发指南以及可能的API变更日志。'Master'通常指的是一条分支的名称,意味着该分支是项目的主要开发线,包含了最新的代码和更新。 开发者在使用StarModAPI时应该首先下载并解压文件,然后通过阅读文档和示例代码来了解如何集成和使用API。在编程实践中,开发者需要关注API的版本兼容性问题,确保自己编写的模组能够与StarMade游戏的当前版本兼容。此外,为了保证模组的质量,开发者应当进行充分的测试,包括单人游戏测试以及多人游戏环境下的测试,以确保模组在不同的使用场景下都能够稳定运行。 最后,由于StarModAPI是针对特定游戏的模组开发工具,开发者在创建模组时还需要熟悉StarMade游戏的内部机制和相关扩展机制。这通常涉及到游戏内部数据结构的理解、游戏逻辑的编程以及用户界面的定制等方面。通过深入学习和实践,开发者可以利用StarModAPI创建出丰富多样的游戏内容,为StarMade社区贡献自己的力量。" 由于题目要求必须输出大于1000字的内容,上述内容已经满足此要求。如果需要更加详细的信息或者有其他特定要求,请提供进一步的说明。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

R语言数据清洗术:Poisson分布下的异常值检测法

![R语言数据清洗术:Poisson分布下的异常值检测法](https://ucc.alicdn.com/images/user-upload-01/img_convert/a12c695f8b68033fc45008ede036b653.png?x-oss-process=image/resize,s_500,m_lfit) # 1. R语言与数据清洗概述 数据清洗作为数据分析的初级阶段,是确保后续分析质量的关键。在众多统计编程语言中,R语言因其强大的数据处理能力,成为了数据清洗的宠儿。本章将带您深入了解数据清洗的含义、重要性以及R语言在其中扮演的角色。 ## 1.1 数据清洗的重要性
recommend-type

设计一个简易的Python问答程序

设计一个简单的Python问答程序,我们可以使用基本的命令行交互,结合字典或者其他数据结构来存储常见问题及其对应的答案。下面是一个基础示例: ```python # 创建一个字典存储问题和答案 qa_database = { "你好": "你好!", "你是谁": "我是一个简单的Python问答程序。", "你会做什么": "我可以回答你关于Python的基础问题。", } def ask_question(): while True: user_input = input("请输入一个问题(输入'退出'结束):")
recommend-type

PHP疫情上报管理系统开发与数据库实现详解

资源摘要信息:"本资源是一个PHP疫情上报管理系统,包含了源码和数据库文件,文件编号为170948。该系统是为了适应疫情期间的上报管理需求而开发的,支持网络员用户和管理员两种角色进行数据的管理和上报。 管理员用户角色主要具备以下功能: 1. 登录:管理员账号通过直接在数据库中设置生成,无需进行注册操作。 2. 用户管理:管理员可以访问'用户管理'菜单,并操作'管理员'和'网络员用户'两个子菜单,执行增加、删除、修改、查询等操作。 3. 更多管理:通过点击'更多'菜单,管理员可以管理'评论列表'、'疫情情况'、'疫情上报管理'、'疫情分类管理'以及'疫情管理'等五个子菜单。这些菜单项允许对疫情信息进行增删改查,对网络员提交的疫情上报进行管理和对疫情管理进行审核。 网络员用户角色的主要功能是疫情管理,他们可以对疫情上报管理系统中的疫情信息进行增加、删除、修改和查询等操作。 系统的主要功能模块包括: - 用户管理:负责系统用户权限和信息的管理。 - 评论列表:管理与疫情相关的评论信息。 - 疫情情况:提供疫情相关数据和信息的展示。 - 疫情上报管理:处理网络员用户上报的疫情数据。 - 疫情分类管理:对疫情信息进行分类统计和管理。 - 疫情管理:对疫情信息进行全面的增删改查操作。 该系统采用面向对象的开发模式,软件开发和硬件架设都经过了细致的规划和实施,以满足实际使用中的各项需求,并且完善了软件架设和程序编码工作。系统后端数据库使用MySQL,这是目前广泛使用的开源数据库管理系统,提供了稳定的性能和数据存储能力。系统前端和后端的业务编码工作采用了Thinkphp框架结合PHP技术,并利用了Ajax技术进行异步数据交互,以提高用户体验和系统响应速度。整个系统功能齐全,能够满足疫情上报管理和信息发布的业务需求。" 【标签】:"java vue idea mybatis redis" 从标签来看,本资源虽然是一个PHP疫情上报管理系统,但提到了Java、Vue、Mybatis和Redis这些技术。这些技术标签可能是误标,或是在资源描述中提及的其他技术栈。在本系统中,主要使用的技术是PHP、ThinkPHP框架、MySQL数据库、Ajax技术。如果资源中确实涉及到Java、Vue等技术,可能是前后端分离的开发模式,或者系统中某些特定模块使用了这些技术。 【压缩包子文件的文件名称列表】: CS268000_*** 此列表中只提供了单一文件名,没有提供详细文件列表,无法确定具体包含哪些文件和资源,但假设它可能包含了系统的源代码、数据库文件、配置文件等必要组件。