python基本的图像操作和处理

目录：

1. PIL

2. Matplotlib
3. Numpy

---

PIL（图像处理类库）提供大量的图像处理操作，如：图像缩减、裁剪、旋转、颜色转换等。

1、读取图像

from PIL import Image
from matplotlib import pyplot as plt
img = Image.open('image.jpg')
plt.imshow(img)
type(img)

PIL.JpegImagePlugin.JpegImageFile

2、将彩色图像转化为灰度图像（还是matlab舒服：rgb2gray(img) 一步到位。。。）

img = Image.open('image.jpg').convert('L')
plt.imshow(img)

<matplotlib.image.AxesImage at 0x201011d6828>

3、保存图像为多种格式的文件

open()函数用于创建PIL图像对象，save()方法用于保存图像到具体指定文件名的文件；

#指定多种格式进行保存
img.save('image1.jpg')

4、创建缩略图

thumbnail()方法接受一个元组参数：也就是指定生成缩略图的大小（像素）

img.thumbnail((128,128))
plt.imshow(img)

<matplotlib.image.AxesImage at 0x2017ffaf780>

5、复制和粘贴图像区域

crop()方法从一幅图像中裁剪指定区域；该区域用四元组来指定；四元组坐标是（左，上，右，下），左上角起始左上角坐标（0，0），可以通过旋转上面的代码获取的区域，再通过paste()方法将该区域放回去；

box = (40,40,50,50)
region = img.crop(box)
plt.imshow(region)

<matplotlib.image.AxesImage at 0x2010130c3c8>

region = region.transpose(Image.ROTATE_180)
img.paste(region,box)
plt.imshow(img)

<matplotlib.image.AxesImage at 0x20101258e10>

6、调整尺寸和旋转

使用resize()方法，参数是一个元组，用以指定新图像的大小；然后使用逆时针旋转角度，然后调用rotate()方法

out = img.resize((128,128))
out = img.rotate(45)
plt.imshow(out)

<matplotlib.image.AxesImage at 0x201012b4278>

Matplotlib主要用于绘制图表

1、Matplotlib 可以绘制出较好的条形图、饼状图、散点图等；

from PIL import Image
from pylab import *
img = array(Image.open('jianzhu.jpg'))
imshow(img)
#定义一些点:对应（x,y）坐标
x = [100,100,300,300]
y = [200,400,200,400]
#使用红星标记绘制点
plot(x,y,'r*')

#绘制连接前两个点的线
plot(x[:2],y[:2])
#绘制前三个点
plot(x[:3],y[:3])

#添加标题，显示绘制的图像
title('Plotting: "jianzhu.jpg"')
show()

#不显示坐标
axis('off')

Text(0.5, 1.0, 'Plotting: "jianzhu.jpg"')

plot(x,y)   # 默认为蓝色实线
plot(x,y,'r*')  # 红色星状标记
plot(x,y,'go-')  # 带有圆圈标记的绿线
plot(x,y,'ks:')  # 带有正方形标记的黑色虚线

                                                                                   表1 pylab库绘制图的基本颜色格式命令

'b'	蓝色
'g'	绿色
'r'	红色
'c'	青色
'm'	品红
'y'	黄色
'k'	黑色
'w'	白色

                                                                                    表2 用pylab库绘制基本线型格式命令

线型
'_'	实线
’__'	虚线
':'	点线

                                                                               表3 用pylab库绘图的基本绘制标记格式命令

标记
'.'	点
'o'	圆圈
's'	正方形
'*'	星形
'+'	加号
'×'	叉号

2、图像的轮廓和直方图

因为绘制轮廓需要对每个坐标 [x, y] 的像素值施加同一个阈值，所以首先需要将图像灰度化，前面已经说过如何转换灰度图像

hist() 函数的第二个参数指定小区间的数目。需要注意的是，因为 hist() 只接受一维数组作为输入，所以我们在绘制图像直方图之前，必须先对图像进行压平处理。flatten() 方法将任意数组按照行优先准则转换成一维数组。

from PIL import Image
from pylab import *
im = array(Image.open('jianzhu.jpg').convert('L'))
#新建一个图像
figure()
gray()
contour(im,origin='image')
axis('equal')
axis('off')

figure()
hist(im.flatten(),128)
show()

3、交互式标注

使用ginput()函数可以在一幅图像中标记一些点或者标注一些训练数据

from PIL import Image
from pylab import *
im = array(Image.open('jianzhu.jpg'))
imshow(im)
print('Please click 3 points!')
x = ginput(3)
print('you clicked:',x)
show()

NumPy:python科学计算工具包；在线说明书：http://docs.scipy.org/doc/numpy/

其中的数组对象是多维的，可以用来表示向量、矩阵和图像

1、图像数组表示

im = array(Image.open('jianzhu.jpg'))
#查看图像的信息
print(im.shape,im.dtype)

(625, 500, 3) uint8

im = array(Image.open('jianzhu.jpg').convert('L'))
print(im.shape,im.dtype)

(625, 500) uint8

表示图像数组的大小（行、列、颜色通道） ，紧接着的字符串表示数组元素的数据类型

数组中的元素可以使用下标访问；

value = im[i,j,k]

多个数组元素可以使用数组切片方式进行访问，切片方式返回的是以指定间隔下标访问数组的元素值；负数切片表示从最后一个元素逆向计数；

im[i,:] = im[j,:]   # 将第 j 行的数值赋值给第 i 行
im[:,i] = 100   # 将第 i 列的所有数值设为 100
im[:100,:50].sum()   # 计算前 100 行、前 50 列所有数值的和
im[50:100,50:100]   # 50~100 行，50~100 列（不包括第 100 行和第 100 列）
im[i].mean()   # 第 i 行所有数值的平均值
im[:,-1]   # 最后一列
im[-2,:] (or im[-2])  # 倒数第二行

2、灰度变换

array()变换的相反操作可以使用PIL的fromarray()函数完成，也就是一个反向操作，将数组类型转回去

from PIL import Image
from numpy import *
#转为灰度图像
im = array(Image.open('jianzhu.jpg').convert('L'))
#对图像进行反相处理
im2 = 255 - im
#将像素值变换到100...200区间
im3 = (100.0/255)*im + 100
#将图像像素值求平方后得到的图像
im4 = 255.0 * (im/255.0)**2

#像素的最小和最大值
print(int(im3.min()),int(im3.max()))

#将三个图像绘制在一张图像上
import matplotlib.pyplot as plt
plt.figure()
plt.subplot(1,3,1)
title('im2')
plt.imshow(im2)
axis('off')
plt.subplot(1,3,2)
title('im3')
plt.imshow(im3)
axis('off')
plt.subplot(1,3,3)
title('im4')
plt.imshow(im4)
axis('off')
plt.show()

100 200

type(im2)

numpy.ndarray

pil_im = Image.fromarray(im)
#查看转换后的类型
type(pil_im)

pil_im = Image.fromarray(uint8(im))
type(pil_im)

PIL.Image.Image

3、图像缩放

NumPy的数组对象是我们处理图像和数据的主要工具

def imresize(im,sz):
    pil_im = Image.fromarray(uint8(im))
    return array(pil_im.imresize(sz))

4、直方图均衡化

直方图均衡化是将一幅图像的灰度直方图变平，使变换后的图像中每个灰度值的分布概率都相同；直方图均衡化是对图像灰度值进行归一化的一个好的方法，可以增强图像的对比度。

直方图均衡化的变换函数是图像中像素值的累积分布函数（cumulative distribution function，简写为 cdf，将像素值的范围映射到目标范围的归一化操作）

#直方图均衡化
#前提是输入图像是灰度图像；得将彩色图像转换为灰度图像
def histeq(im,nbr_bins=256):
    imhist,bins = histogram(im.flatten(),nbr_bins,normed=True)
    cdf = imhist.cumsum()
    cdf = 255 * cdf / cdf[-1] #归一化
    #使用累积分布函数的线性插值，计算新的像素值
    im2 = interp(im.flatten(),bins[:-1],cdf)
    return im2.reshape(im.shape),cdf

from PIL import Image
from numpy import *
im1 = array(Image.open('jianzhu.jpg').convert('L'))
im2,cdf = histeq(im1)

import matplotlib.pyplot as plt
plt.imshow(im2)

<matplotlib.image.AxesImage at 0x25d09527a58>

hist(cdf,128)

处理前的直方图：im1

5、图像平均

主要用于减少图像噪声，通常用于艺术特效；

#计算图像列表的平均图像
def compute_average(imlist):
    averageim = array(Image.open(imhist[0]),'f')
    for imname in imlist[1:]:
        try:
            averageim += array(Image.open(imname))
        except:
            print(imname+'...skipped')
    averageim /= len(imlist)
    return array(averageim,'uint8')

同样也可以使用mean()函数计算平均图像，mean()函数需要将所有的图像堆积到一个数组中！

参考：python计算机视觉编程！！！