Python简单处理图片

**

任务

批量处理图片，调整size 256*256 or 224*224能够使得图片输入到主流的深度学习网络框架中**

查找博客，学习操作。

一、图片的打开与显示

from PIL import Imageimg=Image.open('d:/dog.png')img.show()

虽然使用的是Pillow，但它是由PIL fork而来，因此还是要从PIL中进行import. 使用open()函数来打开图片，使用show()函数来显示图片。

这种图片显示方式是调用操作系统自带的图片浏览器来打开图片，有些时候这种方式不太方便，因此我们也可以使用另上一种方式，让程序来绘制图片。

from PIL import Imageimport matplotlib.pyplot as pltimg=Image.open('d:/dog.png')plt.figure("dog")plt.imshow(img)plt.show()

figure默认是带axis的，如果没有需要，我们可以关掉

plt.axis('off')

打开图片后，可以使用一些属性来查看图片信息，如

print img.size  #图片的尺寸print img.mode  #图片的模式print img.format  #图片的格式

显示结果为：

(558, 450)RGBAPNG

二、图片的保存

img.save('d:/dog.jpg')

就一行代码，非常简单。这行代码不仅能保存图片，还是转换格式，如本例中，就由原来的png图片保存为了jpg图片。

一、图像通道

1、彩色图像转灰度图

from PIL import Imageimport matplotlib.pyplot as pltimg=Image.open('d:/ex.jpg')gray=img.convert('L')plt.figure("beauty")plt.imshow(gray,cmap='gray')plt.axis('off')plt.show()

使用函数convert()来进行转换，它是图像实例对象的一个方法，接受一个 mode 参数，用以指定一种色彩模式，mode 的取值可以是如下几种：

· 1 (1-bit pixels, black and white, stored with one pixel per byte)· L (8-bit pixels, black and white)· P (8-bit pixels, mapped to any other mode using a colour palette)· RGB (3x8-bit pixels, true colour)· RGBA (4x8-bit pixels, true colour with transparency mask)· CMYK (4x8-bit pixels, colour separation)· YCbCr (3x8-bit pixels, colour video format)· I (32-bit signed integer pixels)· F (32-bit floating point pixels)

2、通道分离与合并

from PIL import Imageimport matplotlib.pyplot as pltimg=Image.open('d:/ex.jpg')  #打开图像gray=img.convert('L')   #转换成灰度r,g,b=img.split()   #分离三通道pic=Image.merge('RGB',(r,g,b)) #合并三通道plt.figure("beauty")plt.subplot(2,3,1), plt.title('origin')plt.imshow(img),plt.axis('off')plt.subplot(2,3,2), plt.title('gray')plt.imshow(gray,cmap='gray'),plt.axis('off')plt.subplot(2,3,3), plt.title('merge')plt.imshow(pic),plt.axis('off')plt.subplot(2,3,4), plt.title('r')plt.imshow(r,cmap='gray'),plt.axis('off')plt.subplot(2,3,5), plt.title('g')plt.imshow(g,cmap='gray'),plt.axis('off')plt.subplot(2,3,6), plt.title('b')plt.imshow(b,cmap='gray'),plt.axis('off')plt.show()

二、裁剪图片

从原图片中裁剪感兴趣区域（roi),裁剪区域由4-tuple决定，该tuple中信息为(left, upper, right, lower)。 Pillow左边系统的原点（0，0）为图片的左上角。坐标中的数字单位为像素点。

from PIL import Imageimport matplotlib.pyplot as pltimg=Image.open('d:/ex.jpg')  #打开图像plt.figure("beauty")plt.subplot(1,2,1), plt.title('origin')plt.imshow(img),plt.axis('off')box=(80,100,260,300)   #四个数值为两个点的坐标，左上角横纵坐标，右下角横纵坐标roi=img.crop(box)plt.subplot(1,2,2), plt.title('roi')plt.imshow(roi),plt.axis('off')plt.show()

三、几何变换

Image类有resize()、rotate()和transpose()方法进行几何变换。

　1、图像的缩放和旋转

dst = img.resize((128, 128))dst = img.rotate(45) # 顺时针角度表示

2、转换图像

dst = im.transpose(Image.FLIP_LEFT_RIGHT) #左右互换dst = im.transpose(Image.FLIP_TOP_BOTTOM) #上下互换dst = im.transpose(Image.ROTATE_90)  #顺时针旋转dst = im.transpose(Image.ROTATE_180)dst = im.transpose(Image.ROTATE_270)

transpose()和rotate()没有性能差别。

用python简单处理图片（4）：图像中的像素访问

前面的一些例子中，我们都是利用Image.open（）来打开一幅图像，然后直接对这个PIL对象进行操作。如果只是简单的操作还可以，但是如果操作稍微复杂一些，就比较吃力了。因此，通常我们加载完图片后，都是把图片转换成矩阵来进行更加复杂的操作。

python中利用numpy库和scipy库来进行各种数据操作和科学计算。我们可以通过pip来直接安装这两个库

pip install numpypip install scipy

以后，只要是在python中进行数字图像处理，我们都需要导入这些包：

from PIL import Imageimport numpy as npimport matplotlib.pyplot as plt

打开图像并转化为矩阵，并显示：

from PIL import Imageimport numpy as npimport matplotlib.pyplot as pltimg=np.array(Image.open('d:/lena.jpg'))  #打开图像并转化为数字矩阵plt.figure("dog")plt.imshow(img)plt.axis('off')plt.show()

调用numpy中的array（）函数就可以将PIL对象转换为数组对象。

查看图片信息，可用如下的方法：

print img.shape  print img.dtype print img.size print type(img)如果是RGB图片，那么转换为array之后，就变成了一个rows*cols*channels的三维矩阵,因此，我们可以使用img[i,j,k]

来访问像素值。

例1：打开图片，并随机添加一些椒盐噪声

from PIL import Imageimport numpy as npimport matplotlib.pyplot as pltimg=np.array(Image.open('d:/ex.jpg'))

随机生成500个椒盐噪声rows,cols,dims=img.shapefor i in range(5000):    x=np.random.randint(0,rows)    y=np.random.randint(0,cols)    img[x,y,:]=255plt.figure("beauty")plt.imshow(img)plt.axis('off')plt.show()

例2：将lena图像二值化，像素值大于128的变为1，否则变为0

from PIL import Imageimport numpy as npimport matplotlib.pyplot as pltimg=np.array(Image.open('d:/pic/lena.jpg').convert('L'))rows,cols=img.shapefor i in range(rows):    for j in range(cols):        if (img[i,j]<=128):            img[i,j]=0        else:            img[i,j]=1plt.figure("lena")plt.imshow(img,cmap='gray')plt.axis('off')plt.show()

如果要对多个像素点进行操作，可以使用数组切片方式访问。切片方式返回的是以指定间隔下标访问 该数组的像素值。下面是有关灰度图像的一些例子：

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

图像直方图

我们先来看两个函数reshape和flatten:

假设我们先生成一个一维数组：

vec=np.arange(15)print vec

显示为：

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]

如果我们要把这个一维数组，变成一个3*5二维矩阵，我们可以使用reshape来实现

mat= vec.reshape(3,5)print mat

显示为

[[ 0  1  2  3  4] [ 5  6  7  8  9] [10 11 12 13 14]]

现在如果我们返过来，知道一个二维矩阵，要变成一个一维数组，就不能用reshape了，只能用flatten. 我们来看两者的区别

a1=mat.reshape(1,-1)  #-1表示为任意，让系统自动计算print a1a2=mat.flatten()print a2

显示为：

a1:  [[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]]a2:  [ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]

可以看出，用reshape进行变换，实际上变换后还是二维数组，两个方括号，因此只能用flatten.

我们要对图像求直方图，就需要先把图像矩阵进行flatten操作，使之变为一维数组，然后再进行统计。

一、画灰度图直方图

绘图都可以调用matplotlib.pyplot库来进行，其中的hist函数可以直接绘制直方图。

调用方式：

n, bins, patches = plt.hist(arr, bins=50, normed=1, facecolor='green', alpha=0.75)

hist的参数非常多，但常用的就这五个，只有第一个是必须的，后面四个可选

arr: 需要计算直方图的一维数组

bins: 直方图的柱数，可选项，默认为10

normed: 是否将得到的直方图向量归一化。默认为0

facecolor: 直方图颜色

alpha: 透明度

返回值 ：

n: 直方图向量，是否归一化由参数设定

bins: 返回各个bin的区间范围

patches: 返回每个bin里面包含的数据，是一个list

from PIL import Imageimport numpy as npimport matplotlib.pyplot as pltimg=np.array(Image.open('d:/pic/lena.jpg').convert('L'))plt.figure("lena")arr=img.flatten()n, bins, patches = plt.hist(arr, bins=256, normed=1, facecolor='green', alpha=0.75)  plt.show()

二、彩色图片直方图

实际上是和灰度直方图一样的，只是分别画出三通道的直方图，然后叠加在一起。

from PIL import Imageimport numpy as npimport matplotlib.pyplot as pltsrc=Image.open('d:/ex.jpg')r,g,b=src.split()plt.figure("lena")ar=np.array(r).flatten()plt.hist(ar, bins=256, normed=1,facecolor='r',edgecolor='r',hold=1)ag=np.array(g).flatten()plt.hist(ag, bins=256, normed=1, facecolor='g',edgecolor='g',hold=1)ab=np.array(b).flatten()plt.hist(ab, bins=256, normed=1, facecolor='b',edgecolor='b')plt.show()

由此可见，matplotlib的画图功能是非常强大的，直方图只是其中非常小的一部分，更多的请参看官方文档：

http://matplotlib.org/api/pyplot_summary.html