Python图像处理

本文主要是介绍Python图像处理，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

今天，博主正式开始了Python图像处理的学习新征程，各位小伙伴们一起来学习吧！

Python利用图像处理库Pillow（PIL）对图片进行处理。

安装与导入
在Linux系统中，只需要输入pip install Pillow即可

1.图像读取

首先，我们要打开一张图片

from PIL import Image #引入模块
im=Image.open('logo.jpg')#文件路径，模式(如RGB,灰度图等)，格式如jpg
im.show() 图片显示

打开图片并不是我们的目的，重要的是我们要获取图片的相关数据

from PIL import Image
im=Image.open('logo.jpg')#文件路径，模式(如RGB,灰度图等)，格式如jpg
#im.show() 图片显示
print('图像的格式：', im.format)
print('图像的大小：', im.size)
print('图像的宽度：', im.width)
print('图像的高度：', im.height)
# 传入坐标的元组
print('获取某个像素点的颜色值：', im.getpixel((100,100)))

2.图像生成

这是我们读取图像，那么接下来我们可以对图像做一些操作，比如生成一个图像：
在Image模块中，提供了创建图像的方法。主要是通过Image.new(mode, size, color)实现，该方法传入三个参数：
mode：图像的创建模式
size：图像的大小
color：图像的颜色

from PIL import Image
# 创建一个简单的图像
im = Image.new('RGB', (100, 100), 'red')
# 保存这个图像
im.save('red.png')

3.图像混合

那么接下来我们要做的是图像混合

PIL.Image.alpha_composite(im1, im2)
PIL.Image.blend(im1, im2, alpha)
PIL.Image.composite(im1, im2, mask) 

以上3个函数都是将两个图像进行融合，需要注意的是，被融合的两个图像的mode和size都要相同。这里说明一下，alpha是透明度，mask是一个为“1”，“L”或“RGBA”，size和im1，im2相同的图片。

blend 协调混合，将两张图片进行混合

from PIL import Image
# 打开im1
im1 = Image.open('logo.jpg').convert(mode='RGB')
# 创建一个和im1大小一样的图像
im2 = Image.new('RGB', im1.size, 'red')
# 混合图片，并显示
Image.blend(im1, im2, 0.5).show()  #0.5为透明度，取值是0-1。当透明度为0是，显示im1对象；当透明度为1时，显示im2对象

我们可以通过Image.composite(im1, im2, mask)方法实现遮罩混合。三个参数都是Image对象，该方法的作用就是使用mask来混合im1和im2。
注意：im1、im2和mask的大小必须一样

注意r,b,g的生成
split称为拆分图像通道返回值为一个列表对象，对象的元素个数为输入图像的通道数，每个元素为一个二维矩阵，内容为每个通道的数据。如RGB格式的图像，则返回3个元素，每个元素分别对应 R,B,G 三个通道的数据

4.图像缩放

4.1像素值缩放

Image.eval(image,fun)函数对图像的每个像素进行执行函数。
其中fun可以是一个函数或表达式
该函数传入一个参数，即像素点。该函数会对图片中每个像素点进行函数内的操作。

from PIL import Image, ImageDraw, ImageFont
img1 = Image.open("logo.jpg")
out = Image.eval(img1, lambda i: i * 6)
img1.show()
out.show()

若使用表达式写法

# 定义一个方法
def func(x):
    return x*2
# 对图像im每个像素点进行func中的操作，其中func不能加()
Image.eval(im, func)

补充

像素点

1、计算机图形的种类从本质上讲,主要有两种计算机图形:一种为位图图像,即是把图像分割成若干个小方格,每个小方格称为一个像素点,由这些像素点排列组成的栅格,.被称为“光栅”,计算机通过表示这些像素点的位置、颜色、亮度等信息,从而表示出整幅图像。

2、数字图像将图像分割成非常细小的点,称为像素点,像素点的值表示该点图像的亮度.但是,近年来的研究指出,利用光合(A)与蒸腾(E)之比获得的水分利用效率(WUE=AE),通常称为瞬时水分利用效率(WUEi),与δ13C不呈现显著的正相关关系。

3、像素点是显示器显示画面的最小发光单位，由红、绿、蓝三个像素单元组成，在彩色显像管中，电子枪通常有三支排列成三角形的单色电子枪组成，称为△（delta）配置，而显示器的荧光层也采用三位一体的荧光体，即含有红色、绿色、蓝色荧光体，它们的排列方式和电子枪的排列方式相同，这三种基色通过不同的亮度组合即可产生各种颜色。

4、屏幕中的像素点越多，画面的分辨率越高，图像就越细腻逼真。

像素也叫分辨率，是指可以显示出的水平和垂直像素的数组，其值通常与若干显示方式相对应。分辨率为1366×768时，就是指在等离子屏幕的横向上 划分了1366 个像素点，竖向上划分了 768 个像素点。分辨率越高，则可接收分辨率的范围越大，则等离子的信号接收范围越广。

图像的深度

图像中像素点占得bit位数，就是图像的深度，比如：

二值图像：图像的像素点不是0 就是1 （图像不是黑色就是白色），图像像素点占的位数就是 1 位，图像的深度就是1，也称作位图。

灰度图像：图像的像素点位于0-255之间，（0：全黑，255代表：全白，在0-255之间插入了255个等级的灰度）。2^8=255，图像的深度是8。
依次轮推，我们把计算机中存储单个像素点所用的 bit 位称为图像的深度。

通道的概念

单通道：也就是通常所说的灰度图，每个像素点只有一个值表示，如果图像的深度是4位(256 =222*2)，那么他的像素值0(黑)~255(白)；

三通道：也就是通过见到的彩色图，每个像素点有三个值表示，如果图像深度是4位(256 = 222*2),那么他的像素值有红(0-255)、绿(0-255)、蓝(0-255)叠加表示，色彩更加艳丽;

四通道：也就是在三通道图像基础上加上透明程度，Alpha色彩空间，如果图像深度是4位(256 = 222*2),那么0是完全透明，255是完全不透明；

这篇关于Python图像处理的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！