上节我们讲了 Python 的图像处理库 PIL 的基本图像处理功能,打开了 PIL 的神秘面纱。这节我们接着讲 PIL 的 Image 模块的常用方法。 Image 模块的方法convert
参数说明:
转换图片模式,它支持每种模式转换为"L" 、 "RGB"和 "CMYK"。有 matrix 参数只能转换为"L" 或 "RGB"。当模式之间不能转换时,可以先转换 RGB 模式,然后在转换。色彩模式转换为 L 模式计算公式 如下:
我们一般使用时,只用传需要转换的 mode 即可,其他的可选参数需要先理解图片深层次的原理后才可以理解,大家如果感兴趣可以去深入了解一下。下面我们来看一个简单实例: from PIL import Image
im = Image.open('cat.png') im.show() # 将图像转换成黑白色并返回新图像 im1 = im.convert('L') im1.show() 我们将一个图像转换成 L模式(灰色),转换结果如下图所示:
复制图像方法,该方法完全复制一个一模一样的图像,很好理解,我们就不举例说明了。 crop
参数说明:
该方法从图像中获取 box 矩形区域的图像,相当于从图像中抠一个矩形区域出来。我们来看例子: from PIL import Image
im = Image.open('cat.jpg') print(im.size) im.show()
# 定义了图像的坐标位置,从左、上、右、下 box = (100, 100, 250, 250)
# 它会从左上角开始,同时向下和向右移动100像素的位置开始截取250-100的像素宽高,也就是150x150的图像 # 这里注意后两个数值要大于前两个数值,不然截取后的图像宽高为负数,会报错 region = im.crop(box) print(region.size) region.show()
# 输出结果 (451, 300) (150, 150) 我们从 cat.jpg 这张图片中截取了 150x150 的图像,从打印结果可以看到截取前和截取后的图像大小。两张图像的对比如下图: filter
参数说明:
使用给定的筛选器筛选此图像。有关可用筛选器的列表:
看到这些,大家是不是联想到我们手机上一些 APP 的图像处理功能了,其实那些功能的实现方式跟我们这里讲的方法是一样的。我们来看个例子: from PIL import Image from PIL import ImageFilter
im = Image.open('flower.jpg') im.show()
# 模糊 im2 = im.filter(ImageFilter.BLUR) im2.show()
# 轮廓滤波 im3 = im.filter(ImageFilter.CONTOUR) im3.show()
# 细节增强 im4 = im.filter(ImageFilter.DETAIL) im4.show() 我们分别对原图了使用了模糊滤波、轮廓滤波、细节增强滤波的处理,大家运行程序就可以看到处理后的效果了,如下图所示: getbands
返回一个包含此图像中每个通道名称的元组。直接看实例: from PIL import Image
# 打开图像 im = Image.open('cat.jpg') # 创建新图像 im1 = Image.new('L', (450, 450), 50)
# 获取图像的通道名称元组 print(im.getbands()) print(im1.getbands())
# 输出结果 ('R', 'G', 'B') ('L',) 上例中,我们分别打开一个 RGB 图像和创建一个 L 模式的新图像,然后打印输出他们的通道名称。 getbbox
计算图像中非零区域的边界框。将边界框作为定义左、上、右和下像素坐标的四元组返回。我们来看例子: from PIL import Image
# 打开图像(451x300) im = Image.open('cat.jpg') # 创建新图像(450x450) im1 = Image.new('L', (450, 450), 50)
# 打印图像中非零区域的边界框 print(im.getbbox()) print(im1.getbbox())
# 输出结果 (0, 0, 451, 300) (0, 0, 450, 450) 这个方法很简单,很容易理解,那么这个方法有什么用处呢?最直接的一个用处就是迅速地获取图像的边界坐标。 getcolors
参数说明:
获取图像中颜色的使用列表,超过 maxcolors 设置值返回 None 。返回值为 (count, pixel) 的列表,表示(出现的次数,像素的值) from PIL import Image
im = Image.open('cat.png')
# 将彩色图像转换成灰度图 im2 = im.convert("L")
# 打印灰度图的颜色列表,返回的点数超过maxcolors就直接返回None print(im2.getcolors(maxcolors=200)) print(im2.getcolors(maxcolors=255))
# 输出结果 None [(1, 0), (69, 1), (275, 2), (518, 3), (165, 4), ... (6, 250), (1, 251)] 我们这个图像有252个像素值,所以第一次 maxcolors 设置为200时,由于 252>200,所以返回了 None。第二次设置255时,正常返回。 getdata
参数:
获取图像中每个像素的通道对象元组,像素获取从左至右,从上至下。 getextrema
获取图像中每个通道的最小值与最大值。对于单波段图像,包含最小和最大像素值的2元组。对于多波段图像,每个波段包含一个2元组的元组。 getpixel
参数:
通过传入坐标返回像素值。如果图像是多层图像,则此方法返回元组。 point
参数说明:
对图像的的每个像素点进行操作,返回图像的副本。 from PIL import Image
im = Image.open('cat.png')
# 调整灰色图像的对比度 im_point=im.convert('L').point(lambda i: i < 80 and 255) im_point.show()
source = im.split() # 三通道分别处理对比度 band_r = source[0].point(lambda i: i < 80 and 255) band_g = source[1].point(lambda i: i < 80 and 255) band_b = source[2].point(lambda i: i < 80 and 255) band_r.show() band_g.show() band_b.show() 在例子中,我们先将图像转换成 L 模式,然后调整对比度,以及将图像的三个通道分别调整对比度。所谓调整对比度,我们这个例子的规则就是当像素值小于80时,将其调整为255,相当于将接近黑色的像素点加黑,使其与浅色对比更明显。运行效果如下图: resize
参数说明:
这个方法是获取调整大小后的图片。通俗地讲就是在原图中抠一个矩形区域(如果传入了 box 参数),然后对抠出来的区域进行滤波处理(如果传入了 resample 参数),最后以指定的 size 大小进行返回。 from PIL import Image
im = Image.open('flower.jpg')
img1 = im.resize((250, 250), Image.BILINEAR) img2 = im.resize((250, 250), Image.BICUBIC) img3 = im.resize((250, 250), Image.NEAREST)
im.show() img1.show() img2.show() img3.show() 这几个滤波器的具体的原理比较理论,大家对照着程序运行返回自行去深入了解。 关于 PIL 的 Image 模块的方法我们只讲这么多,还有好多其他方法,大家可参照 https://www./pillow/reference/ 这个网站去尝试。 我们讲的 PIL 的 Image 模块只是 PIL 的一个基础模块而已,它还有好多其他的模块,诸如 ImageChops (通道操作模块)、ImageColor (颜色转换模块)、ImageDraw (二维图形模块)等,大家在需要的时候可以去查找 API 使用。 总结pillow 库是一个非常强大的基础图像处理库,若不深入图像处理,运用这个库里面的方法组合,对图像进行各种常见的操作已经够用,这是计算机图片识别的基础。当然,如果需要更专业的操作,那么就直接上 opencv 吧。 参考https://www./pillow/reference/
系列文章 |
|