一、Python圖像處理PIL庫
1.1 轉(zhuǎn)換圖像格式
# PIL（Python Imaging Library）
from PIL import Image
plt.rcParams['font.sans-serif'] = ['SimHei']
# 讀取的是圖像，cv.imread讀取的是array，Image.open()顯示的圖像是RGB
pil_im=Image.open('pic/kobe_mamba.jpg')
subplot(121),plt.title('原圖'),axis('off')
imshow(pil_im)
pil_im_gray=pil_im.convert('L')
subplot(122),plt.title('灰度圖'),xticks(x,()),yticks(y,())
imshow(pil_im_gray)
# 轉(zhuǎn)換圖像格式 PIL中有九種不同模式。分別為1，L，P，RGB，RGBA，CMYK，YCbCr，I，F(xiàn)。
import matplotlib.pyplot as plt
import numpy as np
from PIL import Image
plt.rcParams['font.sans-serif'] = ['SimHei']
pil_im=Image.open('pic/apple.jpg')
# 模式1 二值圖像
pil_im_binary=pil_im.convert('1')
subplot(231),plt.title('二值圖像'),axis('off'),imshow(pil_im_binary)
pil_im_binary.getpixel((10,10))
# 模式2 L = R * 299/1000 + G * 587/1000+ B * 114/1000 灰度模式 0表示黑，255表示白
# 模式3 P模式為8位彩色圖像,通過RGB調(diào)色
pil_im_p=pil_im.convert('P')
subplot(232),plt.title('調(diào)色P圖像'),axis('off'),imshow(pil_im_p)
# 模式4 模式“RGBA”為32位彩色圖像，它的每個像素用32個bit表示，其中24bit表示紅色、綠色和藍(lán)色三個通道，另外8bit（255）表示alpha通道，255表示不透明。
pil_im_RGBA=pil_im.convert('RGBA')
subplot(233),plt.title('RGBA圖像'),axis('off'),imshow(pil_im_RGBA)
# 模式5 CMYK 三原色+黑色，每個像素由32位表示
# C = 255 - R, M = 255 - G, Y = 255 - B, K = 0
pil_im_CMYK=pil_im.convert('CMYK')
subplot(234),plt.title('CMYK圖像'),axis('off'),imshow(pil_im_CMYK)
#模式6 YCbcr 24位bit表示 Y= 0.257*R+0.504*G+0.098*B+16 Cb = -0.148*R-0.291*G+0.439*B+128 Cr = 0.439*R-0.368*G-0.071*B+128
pil_im_YCbCr=pil_im.convert('YCbCr')
subplot(235),plt.title('YCbCr圖像'),axis('off'),imshow(pil_im_YCbCr)
# 模式7 I模式略 與L模式顯示相同 ，只不過是32bit
# 模式8 F模式略 像素保留小數(shù)，其余與L模式相同
1.2 縮略圖
# PIL（Python Imaging Library）
from PIL import Image
from pylab import *
plt.rcParams['font.sans-serif'] = ['SimHei']
pil_im=Image.open('pic/kobe_mamba.jpg')
# 創(chuàng)建縮略圖 且可以指定大小
pil_im.thumbnail((120,120))
plt.title('縮略圖'),xticks(x,()),yticks([])
imshow(pil_im)
1.3 復(fù)制、粘貼和旋轉(zhuǎn)、調(diào)整尺寸
# 元組坐標(biāo)分別為（左、上、右、下），從而標(biāo)出了一塊區(qū)域，相當(dāng)于[100:400,100:400]
box=(100,100,400,400)
region=pil_im.crop(box)
# 旋轉(zhuǎn)180度
region=region.transpose(Image.ROTATE_180)
figure(figsize=(5,5))
plt.title('復(fù)制區(qū)域'),axis('off')
imshow(region)
#粘貼
pil_im=Image.open('pic/kobe_mamba.jpg')
pil_im.paste(region,box)
figure(figsize=(5,5))
plt.title('粘貼后的圖像'),axis('off')
imshow(pil_im)
# 調(diào)整尺寸和旋轉(zhuǎn) resize 和 rotate 函數(shù)
out=pil_im.resize((128,128))
out=pil_im.rotate(45)
第二張圖是box旋轉(zhuǎn)了180度再粘貼的結(jié)果
二、Matoplotlib庫基礎(chǔ)學(xué)習(xí)
# 基本繪圖
import numpy as np
import matplotlib.pyplot as plt
from numpy import pi
from pylab import *
x=np.linspace(-pi,pi,256)
y,z=np.cos(x),np.sin(x)
figure()
plt.plot(x,y)
figure()
plt.plot(x,z)
plt.show()
兩張繪圖
x=np.linspace(-pi,pi,256)
y,z=np.cos(x),np.sin(x)
plt.plot(x,y)
plt.plot(x,z)
繪圖疊加
# 曲線顏色、標(biāo)記、粗細(xì)
plot(x, y, color="blue", linewidth=1.0, linestyle=":")
plot(x,z,'--r',linewidth=2.0)
# 離散取值
a=np.arange(13)*pi/12
b=cos(3*a)
plot(a,b,'bo',markersize=3)
# 離散取值的屬性及用虛線相連
a=np.arange(13)*pi/12
b=cos(3*a)
plot(a,b,'--rs',markeredgecolor='y',markerfacecolor='w')
# 設(shè)置坐標(biāo)軸的范圍和記號
x=np.linspace(-pi,pi,256)
y,z=np.cos(x),np.sin(x)
xlim(-4,4)
xticks(np.linspace(-4,4,10))
ylim(-1.0,1.0)
yticks(np.linspace(-1.0,1.0,5))
plt.plot(x,y,'--r')
# 設(shè)置title與坐標(biāo)軸的一些操作
# 設(shè)置中文
matplotlib.rcParams['axes.unicode_minus'] =False
plt.rcParams['font.sans-serif'] = ['SimHei']
x=np.linspace(-pi,pi,256)
y,z=np.cos(x),np.sin(x)
figure()
plt.plot(x,y)
axis('off')
figure()
plt.plot(x,z)
plt.xticks([])
plt.show()
# 設(shè)置title與坐標(biāo)軸的一些操作
# 設(shè)置中文
matplotlib.rcParams['axes.unicode_minus'] =False
plt.rcParams['font.sans-serif'] = ['SimHei']
x=np.linspace(-pi,pi,256)
y,z=np.cos(x),np.sin(x)
figure()
plt.plot(x,y)
axis('off')
figure()
plt.plot(x,z)
plt.xticks([])
plt.show()
#設(shè)置坐標(biāo)軸的標(biāo)簽（多樣化）
# xticks(locs, [labels], **kwargs) # Set locations and labels **kwargs是關(guān)鍵字參數(shù)
import calendar
x = range(1,13,1)
y = range(1,13,1)
plt.plot(x,y)
# 標(biāo)簽手動設(shè)置（''，''，''，...）亦可
plt.xticks(x, calendar.month_name[1:13],color='m',rotation=45,fontsize=12,fontname='Arial')
plt.show()
# 設(shè)置圖例
matplotlib.rcParams['axes.unicode_minus'] =False
plt.rcParams['font.sans-serif'] = ['SimHei']
a=np.arange(13)*pi/12
b=cos(3*a)
plt.plot(a,b,'--rs',markeredgecolor='y',markerfacecolor='w',label='cos的圖像')
xlabel('橫軸')
ylabel('縱軸')
plt.legend(loc='upper right')
plt.show()
# 子圖1
matplotlib.rcParams['axes.unicode_minus'] =False
x=np.linspace(-pi,pi,10)
y,z=np.cos(x),np.sin(x)
fig, (ax1 ,ax2) = plt.subplots(nrows=1, ncols=2, figsize=(8, 4))
ax1.plot(x,y),ax2.plot(x,z)
ax1.set_title('cos'),ax2.set_title('sin')
plt.show()
# 子圖2
matplotlib.rcParams['axes.unicode_minus'] =False
x=np.linspace(-pi,pi,10)
y,z=np.cos(x),np.sin(x)
figure(figsize=(10,5),dpi=80)
subplot(121),plt.plot(x,y),plt.title('cos')
subplot(122),plt.plot(x,z),plt.title('sin')
plt.show()
2.1 繪制實(shí)際圖像中的點(diǎn)和線
# 使用matplotlib連線
from PIL import Image
from pylab import *
# 讀取為列表，以便標(biāo)記x、y的點(diǎn)？
im=array(Image.open('pic/kobe_mamba.jpg'))
imshow(im)
# 列表 包含四個點(diǎn)坐標(biāo)
x=[100,100,400,400]
y=[200,500,200,500]
#紅色叉型標(biāo)出
plot(x,y,'rx')
# 連接坐標(biāo)的前兩個點(diǎn)的線 (100,200)與（100，500）
plot(x[:2],y[:2])
show()
2.2 圖像輪廓與直方圖
# contour 與 hist
# 繪制輪廓要將圖像先灰度化
from PIL import Image
from pylab import *
im=array(Image.open('pic/kobe_mamba.jpg').convert('L'))
figure()
#
gray()
# 繪制輪廓,且起始位置從左上角開始
contour(im,origin='image')
# 坐標(biāo)軸均勻分布
axis('equal')
# 新圖像
figure()
hist(im.ravel(),256)
# hist的第二個參數(shù)指定小區(qū)間的個數(shù)，128個，即每個小區(qū)間灰度值跨度為2
figure()
hist(im.flatten(),128)
show()
三、Numpy庫基本學(xué)習(xí)
import numpy as np
import math
a=np.array(((1,2,3),(4,5,6)),dtype=float/complex)
a
b=np.arange(15).reshape(3,5)
b
# 屬性
b.shape
b.ndim
b.dtype
b.size
b.itemsize
from numpy import pi
np.linspace( 0, 2, 9 ) # 9 numbers from 0 to 2
array([ 0. , 0.25, 0.5 , 0.75, 1. , 1.25, 1.5 , 1.75, 2. ])
c=np.random.random((2,3))
c.max/min()
d=np.arange(12).reshape((3,4))
d.dtype.name
# 每個col的sum
print(d.sum(axis=0))
# 每行的累計(jì)和
print(d.cumsum(axis=1))
# 轉(zhuǎn)變數(shù)組類型
a=np.array(((1,2,3),(4,5,6)),'float32')
a=a.astype('int16')
a
# 索引和切片
a = np.arange(10)**3 # 0~9的立方
a[2:5] #a[2-4]
# 令a[0,2,4]為-1000
a[:6:2] = -1000
# reverse
a[ : :-1]
a = np.arange(12).reshape((3,4))
a[0:3,1]
# 第2列
# or
a[:,1]
a[0:1,0:3]
# 變換為1維數(shù)組
a = np.arange(12).reshape((3,4))
a.ravel()
# 變換形狀
a = np.arange(12).reshape((3,4))
a.resize((6,2))
a
a = np.arange(12).reshape((3,4))
b=10*np.random.random((3,4))
# 豎著疊加
np.vstack((a,b))
# 橫著疊加
np.hstack((a,b))
x, y = np.ogrid[:3, :4]
# 同樣可以設(shè)置步長
x, y = np.ogrid[0:3:1, 0:5:2]
# 詢問,x>0的部分不變，其余賦值為2
np.where(x>0,x,2)
3.1 直方圖均衡化
# 解釋累加函數(shù)
import numpy as np
a=[1,2,3,4,5,6,7]
cdf=np.cumsum(a)
cdf[-1]
cdf=7*cdf/cdf[-1]
cdf
28
# 直方圖均衡化
# bins 小區(qū)間的個數(shù)
def histeq(im,bins=256):
#返回兩個參數(shù)
imhist,bins=histogram(im.flatten(),bins)
# 累計(jì)分布函數(shù)，相當(dāng)于cdf是一個列表
cdf=imhist.cumsum()
# cdf[-1]是列表的最后一個值，（0，255）
cdf=255*cdf/cdf[-1]
# 新的線性插值
im2=interp(im.flatten(),bins[:-1],cdf)
# 返回im2圖像大小與im相同
return im2.reshape(im.shape),cdf
# 直方圖先轉(zhuǎn)為灰度圖
im=array(Image.open('pic/kobe_mamba.jpg').convert('L'))
im2,cdf=histeq(im,256)
figure()
imshow(im2)
figure()
hist(im2.flatten(),256)
show()
3.2 圖像縮放
# 轉(zhuǎn)換為array
img = np.asarray(image)
# 轉(zhuǎn)換為Image
Image.fromarray(np.uint8(img))
# 圖像縮放函數(shù)
def imresize(im,sz):
# 將數(shù)組轉(zhuǎn)換為圖像
pil_im=Image.fromarray(np.uint8(im))
# 圖像轉(zhuǎn)換為數(shù)組
return np.array(pil_im.resize(sz))
imshow(imresize(Image.open('pic/kobe_mamba.jpg'),(128,128)))
3.3 圖像的主成分分析（PCA）
PCA（Principal Component Analysis，主成分分析）是一個非常有用的降維技巧。它可以在使用盡可能少維數(shù)的前提下，盡量多地保持訓(xùn)練數(shù)據(jù)的信息，在此意義上是一個最佳技巧。即使是一幅 100×100 像素的小灰度圖像，也有 10 000 維，可以看成 10 000 維空間中的一個點(diǎn)。一兆像素的圖像具有百萬維。由于圖像具有很高的維數(shù)，在許多計(jì)算機(jī)視覺應(yīng)用中，我們經(jīng)常使用降維操作。PCA 產(chǎn)生的投影矩陣可以被視為將原始坐標(biāo)變換到現(xiàn)有的坐標(biāo)系，坐標(biāo)系中的各個坐標(biāo)按照重要性遞減排列。
為了對圖像數(shù)據(jù)進(jìn)行 PCA 變換，圖像需要轉(zhuǎn)換成一維向量表示。我們可以使用 NumPy 類庫中的flatten() 方法進(jìn)行變換。
將變平的圖像堆積起來，我們可以得到一個矩陣，矩陣的一行表示一幅圖像。在計(jì)算主方向之前，所有的行圖像按照平均圖像進(jìn)行了中心化。我們通常使用 SVD（Singular Value Decomposition，奇異值分解）方法來計(jì)算主成分；但當(dāng)矩陣的維數(shù)很大時(shí)，SVD 的計(jì)算非常慢，所以此時(shí)通常不使用 SVD 分解。
from PIL import Image
from numpy import *
def pca(X):
""" 主成分分析：
輸入：矩陣X ，其中該矩陣中存儲訓(xùn)練數(shù)據(jù)，每一行為一條訓(xùn)練數(shù)據(jù)
返回：投影矩陣（按照維度的重要性排序）、方差和均值"""
# 獲取維數(shù)
num_data,dim = X.shape
# 數(shù)據(jù)中心化
mean_X = X.mean(axis=0)
X = X - mean_X
if dim>num_data:
# PCA- 使用緊致技巧
M = dot(X,X.T) # 協(xié)方差矩陣
e,EV = linalg.eigh(M) # 特征值和特征向量
tmp = dot(X.T,EV).T # 這就是緊致技巧
V = tmp[::-1] # 由于最后的特征向量是我們所需要的，所以需要將其逆轉(zhuǎn)
S = sqrt(e)[::-1] # 由于特征值是按照遞增順序排列的，所以需要將其逆轉(zhuǎn)
for i in range(V.shape[1]):
V[:,i] /= S
else:
# PCA- 使用SVD 方法
U,S,V = linalg.svd(X)
V = V[:num_data] # 僅僅返回前nun_data 維的數(shù)據(jù)才合理
# 返回投影矩陣、方差和均值
return V,S,mean_X
四、Scipy
4.1 圖像模糊
# 圖像模糊
# Scipy 庫
from PIL import Image
from numpy import *
from scipy.ndimage import filters
im=array(Image.open('pic/building.tif').convert('L'))
# filters.gaussian_filter第二個參數(shù)是標(biāo)準(zhǔn)差
im2=filters.gaussian_filter(im,9)
imshow(im2)
from PIL import Image
# 彩色通道，三通道分別進(jìn)行高斯濾波
im=array(Image.open('pic/landmark500x500.jpg'))
im2=np.zeros((im.shape))
for i in arange(3):
im2[:,:,i]=filters.gaussian_filter(im[:,:,i],2)
# 轉(zhuǎn)換為(0，255)，否則imshow顯示不出來
im2=uint8(im2)
figure(figsize=(5,5),dpi=80)
imshow(im2)
axis('off')
4.2 圖像導(dǎo)數(shù)
from PIL import Image
from numpy import *
from scipy.ndimage import filters
# filters.sobel(src,0/1,dst),0表示y方向的方向?qū)?shù)，1表示x方向的方向?qū)?shù)
figure()
im=array(Image.open('pic/building.tif'))
imshow(im)
imx=np.zeros(im.shape)
imy=np.zeros(im.shape)
filters.sobel(im,0,imy)
figure()
imx=uint8(imy)
imshow(imy)
figure()
filters.sobel(im,1,imx)
imy=uint8(imx)
imshow(imx)
figure()
mag=sqrt(imx**2+imy**2)
mag=uint8(mag)
imshow(mag)
show()
第二/三張圖是sobel算子在x/y方向的導(dǎo)數(shù)，第四張圖是兩個導(dǎo)數(shù)疊加成梯度。
4.3 形態(tài)學(xué)計(jì)數(shù)
# 形態(tài)學(xué) 對象計(jì)數(shù)
from scipy.ndimage import measurements,morphology
im=array(Image.open('pic/zhiwen.tif').convert('L'))
im2=np.zeros(im.shape)
im2=1*(im128)
labels,nbr_objects=measurements.label(im2)
print(f"Number of objects is {nbr_objects}.")
labels=np.uint8(labels)
imshow(labels)
im_open=morphology.binary_opening(im2,ones((3,3)),1)
labels_open,nbr_objects_open=measurements.label(im_open)
print(f"Number of objects is {nbr_objects_open}.")
imshow(labels_open)
形態(tài)學(xué)計(jì)數(shù)使用label()函數(shù)，令圖像的灰度值為標(biāo)簽，圖一找到了114個物體，圖二經(jīng)過開操作，找到了17個物體。
到此這篇關(guān)于Python一些基本的圖像操作和處理總結(jié)的文章就介紹到這了,更多相關(guān)Python圖像操作和處理內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- 使用Python給頭像戴上圣誕帽的圖像操作過程解析
- Python用Pillow(PIL)進(jìn)行簡單的圖像操作方法
- 2021年最新用于圖像處理的Python庫總結(jié)
- python圖像處理基本操作總結(jié)（PIL庫、Matplotlib及Numpy）
- Python圖像處理之膨脹與腐蝕的操作
- python opencv圖像處理(素描、懷舊、光照、流年、濾鏡 原理及實(shí)現(xiàn))
