用Python一做些基本的图像操作和处理
本篇内容主要讲解“用Python一做些基本的图像操作和处理”,感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷,实用性强。下面就让小编来带大家学习“用Python一做些基本的图像操作和处理”吧!
一、Python图像处理PIL库
1.1 转换图像格式
# PIL(Python Imaging Library) from PIL import Image plt.rcParams['font.sans-serif'] = ['SimHei'] # 读取的是图像,cv.imread读取的是array,Image.open()显示的图像是RGB pil_im=Image.open('pic/kobe_mamba.jpg') subplot(121),plt.title('原图'),axis('off') imshow(pil_im) pil_im_gray=pil_im.convert('L') subplot(122),plt.title('灰度图'),xticks(x,()),yticks(y,()) imshow(pil_im_gray)
# 转换图像格式 PIL中有九种不同模式。分别为1,L,P,RGB,RGBA,CMYK,YCbCr,I,F。 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 二值图像 pil_im_binary=pil_im.convert('1') subplot(231),plt.title('二值图像'),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模式为8位彩色图像,通过RGB调色 pil_im_p=pil_im.convert('P') subplot(232),plt.title('调色P图像'),axis('off'),imshow(pil_im_p) # 模式4 模式“RGBA”为32位彩色图像,它的每个像素用32个bit表示,其中24bit表示红色、绿色和蓝色三个通道,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图像'),axis('off'),imshow(pil_im_RGBA) # 模式5 CMYK 三原色+黑色,每个像素由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图像'),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图像'),axis('off'),imshow(pil_im_YCbCr) # 模式7 I模式略 与L模式显示相同 ,只不过是32bit # 模式8 F模式略 像素保留小数,其余与L模式相同
1.2 缩略图
# 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') # 创建缩略图 且可以指定大小 pil_im.thumbnail((120,120)) plt.title('缩略图'),xticks(x,()),yticks([]) imshow(pil_im)
1.3 复制、粘贴和旋转、调整尺寸
# 元组坐标分别为(左、上、右、下),从而标出了一块区域,相当于[100:400,100:400] box=(100,100,400,400) region=pil_im.crop(box) # 旋转180度 region=region.transpose(Image.ROTATE_180) figure(figsize=(5,5)) plt.title('复制区域'),axis('off') imshow(region) #粘贴 pil_im=Image.open('pic/kobe_mamba.jpg') pil_im.paste(region,box) figure(figsize=(5,5)) plt.title('粘贴后的图像'),axis('off') imshow(pil_im) # 调整尺寸和旋转 resize 和 rotate 函数 out=pil_im.resize((128,128)) out=pil_im.rotate(45)
第二张图是box旋转了180度再粘贴的结果
二、Matoplotlib库基础学习
# 基本绘图 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()
两张绘图
x=np.linspace(-pi,pi,256) y,z=np.cos(x),np.sin(x) plt.plot(x,y) plt.plot(x,z)
绘图叠加
# 曲线颜色、标记、粗细 plot(x, y, color="blue", linewidth=1.0, line) plot(x,z,'--r',linewidth=2.0)
# 离散取值 a=np.arange(13)*pi/12 b=cos(3*a) plot(a,b,'bo',markersize=3)
# 离散取值的属性及用虚线相连 a=np.arange(13)*pi/12 b=cos(3*a) plot(a,b,'--rs',markeredgecolor='y',markerfacecolor='w')
# 设置坐标轴的范围和记号 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')
# 设置title与坐标轴的一些操作 # 设置中文 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()
# 设置title与坐标轴的一些操作 # 设置中文 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()
#设置坐标轴的标签(多样化) # xticks(locs, [labels], **kwargs) # Set locations and labels **kwargs是关键字参数 import calendar x = range(1,13,1) y = range(1,13,1) plt.plot(x,y) # 标签手动设置('','','',...)亦可 plt.xticks(x, calendar.month_name[1:13],color='m',rotation=45,fontsize=12,fontname='Arial') plt.show()
# 设置图例 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的图像') xlabel('横轴') ylabel('纵轴') plt.legend(loc='upper right') plt.show()
# 子图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()
# 子图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 绘制实际图像中的点和线
# 使用matplotlib连线 from PIL import Image from pylab import * # 读取为列表,以便标记x、y的点? im=array(Image.open('pic/kobe_mamba.jpg')) imshow(im) # 列表 包含四个点坐标 x=[100,100,400,400] y=[200,500,200,500] #红色叉型标出 plot(x,y,'rx') # 连接坐标的前两个点的线 (100,200)与(100,500) plot(x[:2],y[:2]) show()
2.2 图像轮廓与直方图
# contour 与 hist # 绘制轮廓要将图像先灰度化 from PIL import Image from pylab import * im=array(Image.open('pic/kobe_mamba.jpg').convert('L')) figure() # gray() # 绘制轮廓,且起始位置从左上角开始 contour(im,origin='image') # 坐标轴均匀分布 axis('equal') # 新图像 figure() hist(im.ravel(),256) # hist的第二个参数指定小区间的个数,128个,即每个小区间灰度值跨度为2 figure() hist(im.flatten(),128) show()
三、Numpy库基本学习
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 # 属性 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 # 每个col的sum print(d.sum(axis=0)) # 每行的累计和 print(d.cumsum(axis=1))
# 转变数组类型 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]为-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]
# 变换为1维数组 a = np.arange(12).reshape((3,4)) a.ravel()
# 变换形状 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)) # 竖着叠加 np.vstack((a,b)) # 横着叠加 np.hstack((a,b))
x, y = np.ogrid[:3, :4] # 同样可以设置步长 x, y = np.ogrid[0:3:1, 0:5:2] # 询问,x>0的部分不变,其余赋值为2 np.where(x>0,x,2)
3.1 直方图均衡化
# 解释累加函数 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
# 直方图均衡化 # bins 小区间的个数 def histeq(im,bins=256): #返回两个参数 imhist,bins=histogram(im.flatten(),bins) # 累计分布函数,相当于cdf是一个列表 cdf=imhist.cumsum() # cdf[-1]是列表的最后一个值,(0,255) cdf=255*cdf/cdf[-1] # 新的线性插值 im2=interp(im.flatten(),bins[:-1],cdf) # 返回im2图像大小与im相同 return im2.reshape(im.shape),cdf # 直方图先转为灰度图 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 图像缩放
# 转换为array img = np.asarray(image) # 转换为Image Image.fromarray(np.uint8(img)) # 图像缩放函数 def imresize(im,sz): # 将数组转换为图像 pil_im=Image.fromarray(np.uint8(im)) # 图像转换为数组 return np.array(pil_im.resize(sz)) imshow(imresize(Image.open('pic/kobe_mamba.jpg'),(128,128)))
3.3 图像的主成分分析(PCA)
PCA(Principal Component Analysis,主成分分析)是一个非常有用的降维技巧。它可以在使用尽可能少维数的前提下,尽量多地保持训练数据的信息,在此意义上是一个最佳技巧。即使是一幅 100×100 像素的小灰度图像,也有 10 000 维,可以看成 10 000 维空间中的一个点。一兆像素的图像具有百万维。由于图像具有很高的维数,在许多计算机视觉应用中,我们经常使用降维操作。PCA 产生的投影矩阵可以被视为将原始坐标变换到现有的坐标系,坐标系中的各个坐标按照重要性递减排列。
为了对图像数据进行 PCA 变换,图像需要转换成一维向量表示。我们可以使用 NumPy 类库中的flatten() 方法进行变换。
将变平的图像堆积起来,我们可以得到一个矩阵,矩阵的一行表示一幅图像。在计算主方向之前,所有的行图像按照平均图像进行了中心化。我们通常使用 SVD(Singular Value Decomposition,奇异值分解)方法来计算主成分;但当矩阵的维数很大时,SVD 的计算非常慢,所以此时通常不使用 SVD 分解。
from PIL import Image from numpy import * def pca(X): """ 主成分分析: 输入:矩阵X ,其中该矩阵中存储训练数据,每一行为一条训练数据 返回:投影矩阵(按照维度的重要性排序)、方差和均值""" # 获取维数 num_data,dim = X.shape # 数据中心化 mean_X = X.mean(axis=0) X = X - mean_X if dim>num_data: # PCA- 使用紧致技巧 M = dot(X,X.T) # 协方差矩阵 e,EV = linalg.eigh(M) # 特征值和特征向量 tmp = dot(X.T,EV).T # 这就是紧致技巧 V = tmp[::-1] # 由于最后的特征向量是我们所需要的,所以需要将其逆转 S = sqrt(e)[::-1] # 由于特征值是按照递增顺序排列的,所以需要将其逆转 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] # 仅仅返回前nun_data 维的数据才合理 # 返回投影矩阵、方差和均值 return V,S,mean_X
四、Scipy
4.1 图像模糊
# 图像模糊 # Scipy 库 from PIL import Image from numpy import * from scipy.ndimage import filters im=array(Image.open('pic/building.tif').convert('L')) # filters.gaussian_filter第二个参数是标准差 im2=filters.gaussian_filter(im,9) imshow(im2)
from PIL import Image # 彩色通道,三通道分别进行高斯滤波 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) # 转换为(0,255),否则imshow显示不出来 im2=uint8(im2) figure(figsize=(5,5),dpi=80) imshow(im2) axis('off')
4.2 图像导数
from PIL import Image from numpy import * from scipy.ndimage import filters # filters.sobel(src,0/1,dst),0表示y方向的方向导数,1表示x方向的方向导数 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()
第二/三张图是sobel算子在x/y方向的导数,第四张图是两个导数叠加成梯度。
4.3 形态学计数
# 形态学 对象计数 from scipy.ndimage import measurements,morphology im=array(Image.open('pic/zhiwen.tif').convert('L')) im2=np.zeros(im.shape) im2=1*(im<128) 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)
形态学计数使用label()函数,令图像的灰度值为标签,图一找到了114个物体,图二经过开操作,找到了17个物体。
到此,相信大家对“用Python一做些基本的图像操作和处理”有了更深的了解,不妨来实际操作一番吧!这里是亿速云网站,更多相关内容可以进入相关频道进行查询,关注我们,继续学习!