目前常用的.tiff格式图片转png格式图片，搜了一下，多数都是第三方平台直接转换，需要米，其实大可不必，自己撸代码就可以直接转换。
TIFF（Tagged Image File Format）是一种灵活的位图格式，主要用来存储包括照片和艺术图在内的图像。它最初由Aldus公司与微软公司一起为PostScript打印开发。TIFF与JPEG和PNG一起成为流行的高位彩色图像格式。TIFF是一个灵活适应性强的文件格式，通过在文件头中包含“标签”它能够在一个文件中处理多幅图像和数据。
目录
- 一、.tiff格式图片
- 二、tiff转png，jpg代码
- 2.1 代码环境准备
- 2.2 代码参数修改
- 2.3 权重文件
- 2.4 单帧转换代码
- 2.4.1 源码包下载
- 2.5 批量多帧转换代码
- 三、转换效果
- 3.1 转换测试场景1
- 3.2 转换测试场景2
- 3.3 转换测试场景3
- 3.4 转换测试场景4
- 3.5 转换测试场景5
- 3.6 批量转换效果
- 四、总结
一、.tiff格式图片
在Windows电脑端直接使用电脑工具打开.tiff格式图片，只看得到白色，这是因为.tiff格式的图片像素值超过255了，显示时都被强制转为了255显示，随便挑一副.tiff格式图片及查看像素值，如下：
为了直观查看图片中内容，需要转换为显示器能正常显示了png，jpg，bmp等可视化显示。
二、tiff转png，jpg代码
2.1 代码环境准备
使用此代码需要在Pytorch环境中才能正常运行，Pytorch的安装参考博文：Pytorch安装，Pytorch官网链接为：Pytorch官网安装
我自己的Pytorch版本及Python版本号参考如下：
2.2 代码参数修改
学者使用代码时只需修改图片路径和保存图片的路径即可。
2.3 权重文件
在我提供的源码包中权重文件，具体位置如下，在isp文件中：
2.4 单帧转换代码
下面是tiff转换png格式的完整代码，该代码就是我提供的源码包中的tif_To_png.py文件。
import cv2
import numpy as np
import torch
def pack_gbrg_raw(raw): # 定义一个名为pack_gbrg_raw的函数，它接受一个参数raw，这个参数是一个GBRG格式的Bayer原始图像
#pack GBRG Bayer raw to 4 channels
black_level = 240 # 定义黑色和白色的级别。这两个值用于后续的图像归一化。
white_level = 2**12-1
im = raw.astype(np.float32) # 将输入的原始图像转换为浮点数类型
im = np.maximum(im - black_level, 0) / (white_level-black_level) # 对图像进行归一化处理，使其值在0到1之间
im = np.expand_dims(im, axis=2) # 在第三个维度（即通道维度）上为图像增加一个维度。
img_shape = im.shape
H = img_shape[0] # 获取图像的形状，并将高度和宽度分别存储在H和W中。
W = img_shape[1]
out = np.concatenate((im[1:H:2, 0:W:2, :], # r # 将图像的四个通道（R，Gr，B，Gb）沿着第三个维度（即通道维度）进行拼接。
im[1:H:2, 1:W:2, :], # gr
im[0:H:2, 1:W:2, :], # b
im[0:H:2, 0:W:2, :]), axis=2) # gb
return out
def tensor2numpy(raw): # raw: 1 * 4 * H * W
input_full = raw.permute((0, 2, 3, 1)) # 1 * H * W * 4
input_full = input_full.data.cpu().numpy()
output = np.clip(input_full,0,1)
return output
def preprocess(raw):
input_full = raw.transpose((0, 3, 1, 2))
input_full = torch.from_numpy(input_full)
input_full = input_full.cuda()
return input_full
img = cv2.imread("tif_images/4.tiff",-1) # 读入tiff格式图片
img = np.expand_dims(pack_gbrg_raw(img), axis=0)
isp = torch.load('isp/ISP_CNN.pth')
test_gt = (img - 240) / (2 ** 12 - 1 - 240)
gt_raw_frame = test_gt * (2 ** 12 - 1 - 240) + 240
gt_srgb_frame = tensor2numpy(isp(preprocess(gt_raw_frame)))[0]
img_png = np.uint8(gt_srgb_frame * 255)
cv2.imwrite("result_images/4.png",img_png) # 保存转换后的png或jpg图片路径及图片名称
cv2.imshow("img",img_png)
cv2.waitKey()
cv2.destroyAllWindows()
想要正常运行上面代码，还需要一个脚本文件models.py，该代码我放在了源码包中，学者自行下载使用。
2.4.1 源码包下载
源码包的下载链接为：源码包，提取码：5kh2
源码包中我提供了5张.tiff格式的测试图片，在tif_images文件夹中，如下：
2.5 批量多帧转换代码
学者使用下面代码，只需要修改两个地方即可，见下：
import cv2
import numpy as np
import torch
import os
import sys
def pack_gbrg_raw(raw): # 定义一个名为pack_gbrg_raw的函数，它接受一个参数raw，这个参数是一个GBRG格式的Bayer原始图像
#pack GBRG Bayer raw to 4 channels
black_level = 240 # 定义黑色和白色的级别。这两个值用于后续的图像归一化。
white_level = 2**12-1
im = raw.astype(np.float32) # 将输入的原始图像转换为浮点数类型
im = np.maximum(im - black_level, 0) / (white_level-black_level) # 对图像进行归一化处理，使其值在0到1之间
im = np.expand_dims(im, axis=2) # 在第三个维度（即通道维度）上为图像增加一个维度。
img_shape = im.shape
H = img_shape[0] # 获取图像的形状，并将高度和宽度分别存储在H和W中。
W = img_shape[1]
out = np.concatenate((im[1:H:2, 0:W:2, :], # r # 将图像的四个通道（R，Gr，B，Gb）沿着第三个维度（即通道维度）进行拼接。
im[1:H:2, 1:W:2, :], # gr
im[0:H:2, 1:W:2, :], # b
im[0:H:2, 0:W:2, :]), axis=2) # gb
return out
def tensor2numpy(raw): # raw: 1 * 4 * H * W
input_full = raw.permute((0, 2, 3, 1)) # 1 * H * W * 4
input_full = input_full.data.cpu().numpy()
output = np.clip(input_full,0,1)
return output
def preprocess(raw):
input_full = raw.transpose((0, 3, 1, 2))
input_full = torch.from_numpy(input_full)
input_full = input_full.cuda()
return input_full
img_path = "CRVD_dataset/indoor_raw_noisy/indoor_raw_noisy_scene7/scene7/ISO1600" # tiff格式图片路径
save_path = "CRVD_dataset/indoor_raw_noisy/indoor_raw_noisy_scene7/scene7/ISO1600_png" # 转换后的保存路径
file = os.listdir(path=img_path)
for item in file:
img = cv2.imread(os.path.join(img_path,item),-1)
img = np.expand_dims(pack_gbrg_raw(img), axis=0)
isp = torch.load('isp/ISP_CNN.pth')
test_gt = (img - 240) / (2 ** 12 - 1 - 240) # 计算地面真实图像的标准化值
gt_raw_frame = test_gt * (2 ** 12 - 1 - 240) + 240 # 计算输出的最终值
gt_srgb_frame = tensor2numpy(isp(preprocess(gt_raw_frame)))[0] # 将预处理后的图像转换为sRGB格式
img_png = np.uint8(gt_srgb_frame * 255)
out_file = item[:-5] + ".png"
print('图片{}转换为png成功！'.format(item))
cv2.imwrite(os.path.join(save_path,out_file), img_png)
key = cv2.waitKey(30) & 0xff
if key == 27:
sys.exit(0)
三、转换效果
3.1 转换测试场景1
3.2 转换测试场景2
3.3 转换测试场景3
3.4 转换测试场景4
该场景下，原始的.tiff图像就是噪声图。
3.5 转换测试场景5
3.6 批量转换效果
通过以上多场景测试，可以看到能够正常的转换回原始的色彩，图像细节都在。
四、总结
以上就是将.tiff格式图片转换为可视化的png，jpg，bmp等格式的完整过程，在我提供的示例代码中主要是将.tiff格式图片转为.png格式，学者如果想转为其它格式的图片，只需要在保存图片时修改后缀即可。
我上面测试的四个场景中，有的图片有噪声不是转换后才有的，是原始的.tiff格式就是噪声图，不用担心转换后改变原始图像细节。
总结不易，多多支持，谢谢！
