首先，如上圖所示，opencv讀入的圖像為 RGB格式，但是我們?cè)趐ytorch中進(jìn)行圖像處理時(shí)，要先將RGB轉(zhuǎn)換成BGR，然后在使用img = Image.fromarray(np.uint8(self.camimg)) 將array轉(zhuǎn)換成image格式，這樣轉(zhuǎn)換圖片格式后才能夠在pytorch中使用。

一般圖像的存儲(chǔ)方式是H x W x C的順序（其中H、W、C分別表示圖像的高、寬和通道數(shù)，通道數(shù)一般為RGB三通道），另外，其中的每一個(gè)數(shù)據(jù)都是[0,255]的整數(shù)，opencv中圖片的格式也是hwc。但在pytorch中為CHW，img = img.transpose(2, 0, 1)。

在使用pytorch的時(shí)候，我們通常要使用pytorch中torchvision包下面的datasets模塊和transforms模塊。而通常情況下在我們使用了這兩個(gè)模塊之后，所處理的圖像數(shù)據(jù)格式已經(jīng)不是我們所熟知的格式了。下面按照代碼來進(jìn)行講解：
#導(dǎo)入需要的包和模塊
import torch
from torchvision import datasets, transforms
import os
#transforms指明了需要對(duì)原始圖像做何種變換
data_transforms = transforms.Compose([
transforms.RandomResizedCrop(224),
transforms.RandomHorizontalFlip(),
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])
data_dir = 'original_data’
image_dataset = datasets.ImageFolder(data_dir, data_transforms)
dataloader = torch.utils.data.DataLoader(image_dataset, batch_size=32, shuffle=True, num_workers=0)

代碼中首先使用datasets模塊讀取圖像數(shù)據(jù)，輸出的圖像類型為PILImage，并且圖像中的每一個(gè)數(shù)據(jù)大小范圍已經(jīng)不再是[0,255]，而是[0,1]。datasets模塊下有好幾個(gè)讀取圖像的類，比如CIFAR10、MNIST等能夠直接獲取標(biāo)準(zhǔn)數(shù)據(jù)庫；而我們代碼中所使用的類是ImageFolder，它能夠讀取本地存放的圖像。其中需要指定圖像所在文件路徑和需要對(duì)數(shù)據(jù)進(jìn)行的變換。
從上面的data_transforms變量中我們能夠看出進(jìn)行了多種變換，而Compose就是將多種變換組合起來的方法。data_transforms中一共包含了四個(gè)變換，前兩個(gè)是對(duì)PILImage進(jìn)行的，分別對(duì)其進(jìn)行隨機(jī)大小（默認(rèn)原始圖像大小的0.08-1.0）和隨機(jī)寬高比（默認(rèn)原始圖像寬高比的3/4-4/3）的裁剪，之后resize到指定大小224；以及對(duì)原始圖像進(jìn)行隨機(jī)（默認(rèn)0.5概率）的水平翻轉(zhuǎn)。
第三個(gè)transforms.ToTensor()的變換操作是關(guān)鍵一步，它將PILImage轉(zhuǎn)變?yōu)閠orch.FloatTensor的數(shù)據(jù)形式，這種數(shù)據(jù)形式一定是C x H x W的圖像格式加上[0,1]的大小范圍，它的作用有歸一化和將圖像轉(zhuǎn)化為tensor的作用。
后面的Normalize變換是對(duì)tensor這種數(shù)據(jù)格式進(jìn)行的，它的操作是用給定的均值和標(biāo)準(zhǔn)差分別對(duì)每個(gè)通道的數(shù)據(jù)進(jìn)行正則化，即減均值/方差。經(jīng)過上面一系列的轉(zhuǎn)換之后，我們可以得出的結(jié)論是，圖像的數(shù)據(jù)格式首先在維度的排序上發(fā)生了改變，其次數(shù)據(jù)的范圍也發(fā)生了改變。

使用opecv讀取并處理圖像，使用matplotlib繪制圖像，最終保存為PIL.Image，再使用pytorch的torchvision.transforms.ToTensor()(img)轉(zhuǎn)化成tensor。
具體操作如下：

補(bǔ)充說明：

1. opencv
   a. 讀取圖像：
   img = cv.imread(path)
   opencv庫使用imread讀取得到的默認(rèn)是一個(gè)BGR模式的彩色圖像，可以使用cv.cvtColor(img, cv.COLOR_BGR2RGB)將顏色模式轉(zhuǎn)化成RGB。opencv的基本圖像類型與numpy數(shù)組可以互相轉(zhuǎn)化。因此可以直接調(diào)用torch.from_numpy(img)將圖像轉(zhuǎn)成tensor。
   b. 保存圖像：
   cv.imwrite(path, img)
   c. 繪制圖像：
   cv.imshow(name, img)
   opencv的繪制圖像操作會(huì)將圖像以窗口的形式顯示在屏幕上，因此需要手動(dòng)執(zhí)行中斷命令來關(guān)閉窗口進(jìn)程。一般會(huì)用到:
   k = cv.waitKey(0) & 0xFF
   if k == 27:
   cv.destroyAllWindows()
   優(yōu)點(diǎn)：對(duì)圖像處理的接口豐富，集成了許多常用的圖像處理操作：閾值、邊緣檢測(cè)、角點(diǎn)檢測(cè)、圖像濾波、形態(tài)學(xué)處理、傅里葉變換、直方圖均衡、模板匹配、運(yùn)動(dòng)檢測(cè)（meanshift），并且支持人臉部位識(shí)別。
   缺陷：opencv在讀取圖像時(shí)，若path錯(cuò)誤，僅會(huì)返回None，而不會(huì)報(bào)錯(cuò)，并且opencv不支持使用imread對(duì)gif格式的圖像進(jìn)行讀取，若要讀取gif格式的圖像，需要使用gif = cv.VideoCapture(path)得到一個(gè)opencv的視頻對(duì)象，然后使用ret,frame = gif.read()讀取該視頻對(duì)象的一幀。
2. PIL
   PIL是python對(duì)圖像處理的基本庫
   a. 讀取圖像：
   img = PIL.Image.open(path)
   讀取得到的是一個(gè)PIL.xxxImageFile類型，numpy中提供了與將PIL.ImageFile轉(zhuǎn)化為array的接口：
   np.asarray(img) img->array
   Image.fromarray(array) array->img
   可以使用img.convert(model)轉(zhuǎn)換顏色模式。其中model包括：'1’:二值圖，'L’:灰度圖，'P’：8位彩色圖像，'RGB’:24位彩色圖像（每個(gè)通道8位），'RGBA’:相比RGB多了個(gè)alpha通道（不透明度）等等。
   b. 保存圖像：
   img.save(path)
   c. 繪制圖像：
   img.show()
   優(yōu)點(diǎn)：支持的圖片格式豐富，并且作為python的基本庫，與各個(gè)庫之間兼容性最好。
   缺點(diǎn)：圖像處理算法較少。
3. matplotlib
   matplotlib是python仿照matlab的繪圖來開發(fā)的圖像繪制庫。
   a. 讀取圖像：
   img = plt.imread()
   matplotlib讀取的圖像類型直接為numpy.array，并且matplotlib讀取圖像時(shí)直接進(jìn)行了歸一化操作。
   b. 保存圖像：
   plt.imsave(path,img)
   或
   img.imsave(path)
   matplotlib在保存圖像時(shí)，可以使用imsave保存不帶坐標(biāo)軸的圖像，也可以使用plt.savefig(path)保存帶坐標(biāo)軸的圖像。
   c. 繪制圖像：
   plt.imshow(img)
   plt.show()
   matplotlib在執(zhí)行imshow之后，必須跟著執(zhí)行show()。
   優(yōu)點(diǎn)：和matlab的繪圖命令基本相同，不僅可以繪制圖像，也可以繪制其他類型的圖像（折線圖、散點(diǎn)圖、餅圖、熱力圖、3D圖），并且讀入的圖像與numpy直接兼容。
   缺點(diǎn)：matplotlib是一個(gè)繪圖的庫，因此沒有圖像處理相關(guān)的算法。