[人工智能] Python图像处理

开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 人工智能 -> Python图像处理 -> 正文阅读

[人工智能]Python图像处理

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)))

在这里插入图片描述

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')

在这里插入图片描述

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。
在这里插入图片描述
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

在这里插入图片描述

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
在这里插入图片描述
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

在这里插入图片描述

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)

在这里插入图片描述

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。