如何在Python中使用PIL或其他方法将图像合并在一起，每个图像都有多个通道？

我真的被困在这里了。我正在从事一个工作项目，该项目要求我将多个图像合并为一个。我看过几篇文章描述了如何使用PIL，但是没有一篇文章回答了如果你有任意数量的频道该怎么办的问题

该项目是一个专门用于图像分割的算法。提供给它的数据将是从各种生物样品的x射线显微镜收集的数据。最终的产品是许多灰度图像的集合，每个图像代表一个不同的元素通道。也就是说，样品中存在Fe、K、P、Si等元素位置的灰度图像。这与将RGB图像拆分为3个单独的一维图像（阵列）没有什么不同

将这些RGB通道合并在一起很简单，以便

R:（2,3,6…3）
G:（5,5,7…4）
B:（1,3,2…2）

变成

RGB:[（2,5,1），（3,5,3），（6,7,2），…（3,4,2）]

但我需要知道当频道多于（或少于）三个时如何做到这一点。一些显微镜的使用者收集了几十个元素通道，而一些人收集了2到3个。我可以相当简单地构建上面示例中所示的最终数据数组，但我不知道如何将其实际写入图像。以下是我所拥有内容的简化版本：

def mergeImages(imageList):

    allData = []
    allSizes = []
    mergedData = numpy.zeros((max(allSizes), len(imageList)))

    for image in imageList:
        data = ImageFileData(image)
        allData.append(data.GetImageData())

    for data in allData:
        allSizes.append(data1.GetImageSize())

    try:
        for i in range(len(allData)):
            for j in range(len(allData[i])):
                mergedData[j][i] = allData[i][j]
        return True

    except:
        qt.QMessageBox('Image merge failed.')
        return False

其中，

data

是一个图像对象，“data.GetImageData（）`只返回一个整数强度值列表（因为给出的每个图像都应该是灰度的）

我已经对此进行了测试，

mergedData

最终被正确构建为一个二维数组，每个像素的组件数量与图像数量相同

但是为了使我的算法的实际分割部分工作，我需要向它传递一个图像文件，而不是原始数据。我确信我可以让它接受原始数据，并且工作正常，但我现在还不想这样做（因为我还希望合并后的图像可以查看）

因此，我希望能够将

mergedData

写入图像文件，以执行各种操作

但是，PIL表示它不支持用户定义的图像模式，要调用

image.write（）

，必须将图像模式作为参数提供（所有模式都不能超过4个通道）

所以我不知道，如果这里有人有图像处理的经验，那就太棒了。我甚至不确定是否可以查看具有任意数量像素值的图像。也许我必须为每个组件映射一种颜色。我不知道。不过，在我开始查看之前，我希望它能够将

mergedData

写入图像文件

---

谢谢

您是否可以使用

numpy

？您可以使用

numpy.dstack

将所有图像堆叠在一起，然后您可以转换回PIL图像。@rayryeng是的，我可以使用我想要的任何图像，我让Anaconda运行，并且在上面的示例中使用numpy数组。谢谢你的建议，我会尝试一下，然后报告backCool。只需在

numpy.dstack

中提供2D图像列表，即可创建3D图像堆栈。让我知道进展如何！顺便说一下，如果你想支持超过3的多个图像堆栈，考虑使用TIF标准。它特别用于医学图像和显微镜数据。我还没有试过，但是如果你试着在多堆栈TIF中读取，你应该能够在3D堆栈中得到这个。储蓄也是如此。试一试，看看效果如何。如果有效的话，我想写一个答案！是否允许您使用

numpy

？您可以使用

numpy.dstack

将所有图像堆叠在一起，然后您可以转换回PIL图像。@rayryeng是的，我可以使用我想要的任何图像，我让Anaconda运行，并且在上面的示例中使用numpy数组。谢谢你的建议，我会尝试一下，然后报告backCool。只需在

numpy.dstack

中提供2D图像列表，即可创建3D图像堆栈。让我知道进展如何！顺便说一下，如果你想支持超过3的多个图像堆栈，考虑使用TIF标准。它特别用于医学图像和显微镜数据。我还没有试过，但是如果你试着在多堆栈TIF中读取，你应该能够在3D堆栈中得到这个。储蓄也是如此。试一试，看看效果如何。如果有效的话，我想写一个答案！