1 PIL基本操作：主要是为了介绍 PIL 打开、展示和保存图像的基本运用。 2 图像处理：这个主要是为了对原始图像进行再处理，从而使图像符合我们的需求， 3 图像向量化：由于图片是非结构化数据，计算机不能直接识别处理， 4 图像识别分类实战：主要是以步骤性来讲述，方便掌握 图像处理这一块很重要，是以后做图像分类、图像识别等比较重要的图像预处理环节 im.resize(size, resample) resize 方法可以将原始的图像转换大小,size 是转换之后的大小 resample 是重新采样使用的方法，有以下四种方法，默认 Image.NEAREST im.crop(box) 从当前的图像中返回一个矩形区域的拷贝。 transpose()和rotate()没有性能差别 rotate() transpose(method)(图像翻转或者旋转),method 参数如下 im.convert(mode)⇒ image 如果转换后的图像显示异常 如：AttributeError: ‘numpy.ndarray’ object has no attribute ‘mask’ 解决方法很有可能是版本问题，要更新 matplotlib，如：$ pip install -U matplotlib Signature: Image.alpha_composite(im1, im2) :param im1: The first image. Must have mode RGBA. 这里只是一个小演示，可以准备其他图片水印再添加，效果会更好呢 enhanceImg = ImageEnhance.Contrast(im) enhanceImg.enhance(2.0).show() ImageFilter是PIL的滤镜模块，通过这些预定义的滤镜， 多维变换：a.reshape(2,3) 灰度直方图和彩色直方图差不多，只不过灰度图只有一个颜色通道，而彩色图有多个通道，如 RGB等 暂时不写出来，有空就更新… 将图像向量化之后才能进行相关的算法进行图片分类、模式识别等 适用于深度学习 CNN 等训练 适用于机器学习算法，如 sklearn 系列 https://www.jianshu.com/p/e8d058767dfa https://blog.csdn.net/zhangziju/article/details/79123275 https://www.cnblogs.com/chimeiwangliang/p/7130434.html
目录情况
介绍作用
通常这里的处理情况会影响到模型训练的精度和准。
因此需要向量化处理，从而转换成结构化数据PIL 基本操作
# 定义图像路径 path = '../work/tx3.jpg' time: 624 µs from PIL import Image import matplotlib.pyplot as plt im = Image.open(path) # 1 打印图像信息 # Image 类的属性 print('>>>图像像素大小：', im.size) print('>>>图像的模式：', im.mode) print('>>>源文件的文件格式：', im.format) print('>>>颜色调色板样式：', im.palette) print('>>>存储图像相关数据的字典：', im.info) # 2 保存图像 # im.save(filename,format) # im.save('../img/save_crawl.png', 'png') im.save('../work/save_tx3.png') >>>图像像素大小： (200, 200) >>>图像的模式： RGB >>>源文件的文件格式： JPEG >>>颜色调色板样式： None >>>存储图像相关数据的字典： {'jfif': 257, 'jfif_version': (1, 1), 'dpi': (300, 300), 'jfif_unit': 1, 'jfif_density': (300, 300)} time: 12.5 ms # 3 显示图像 # 3.1 直接显示 # im.show() # 在 notebook 或者 shell 环境直接 im 即可显示 im 
time: 10.7 ms # 3.2 结合 Plt 显示 plt.figure(num=1, figsize=(8,5),) plt.title('The image title') # plt.axis('off') # 不显示坐标轴 plt.imshow(im) plt.show() 
time: 202 ms 图像处理
1 图像大小
1-1 缩放大小
im.thumbnail(size,resample)(创建缩略图)
保留图片的所有部分，只是缩小或者扩大比例而已
Image.BICUBIC，Image.LANCZOS，Image.BILINEAR，Image.NEAREST
以计算输出像素值。在当前的PIL版本中，这个滤波器只用于改变尺寸和缩略图方法。
BILIEAR和BICUBIC滤波器使用固定的输入模板，用于固定比例的几何变换和上采样是最好的。from PIL import Image # 设置画布大小 plt.figure(figsize=(10,8)) # original im = Image.open(path) print('原图像像素大小：', im.size) plt.subplot(131);plt.title('original') plt.imshow(im) # resize()——>返回新的 image 对象 im_resize = im.resize((100, 100), resample=Image.LANCZOS) print('im_resize 转换后像素大小：', im_resize.size) plt.subplot(132);plt.title('im.resize') plt.imshow(im_resize) # thumbnail()——>直接覆盖原始的 im im_thumbnail = im.thumbnail((50, 50), resample=Image.LANCZOS) print(im_thumbnail) plt.subplot(133);plt.title('im_thumbnail') plt.imshow(im) # plt.axis('off') # 不显示坐标轴 plt.show() 原图像像素大小： (200, 200) im_resize 转换后像素大小： (100, 100) None 
time: 427 ms 1-2 裁剪大小
截取图片，图片部分信息丢失
变量box是一个四元组，定义了左、上、右和下的像素坐标。
请注意：box 中距离设置是以 左上角x轴与左上角y轴，即（0， 0）为基准来计算的from PIL import Image im = Image.open(path) box=(35, 20, 160, 193) # 注意理解这里的设置 im_crop = im.crop(box) # 显示 plt.figure(figsize=(7,4)) # 设置画布大小 plt.subplot(121);plt.title('original') plt.imshow(im) plt.subplot(122);plt.title('im_crop') plt.imshow(im_crop) # plt.axis('off') # 不显示坐标轴 plt.show() 
time: 308 ms 2 图像旋转
%%time from PIL import Image # 设置画布大小 plt.figure(figsize=(10, 5)) im = Image.open(path) plt.subplot(131);plt.title('original') plt.imshow(im) # rotate() im_rotate = im.rotate(-45) # 顺时针角度表示 plt.subplot(132);plt.title('im_rotate') plt.imshow(im_rotate) # transpose() im_transpose = im.transpose(Image.FLIP_LEFT_RIGHT) # 左右翻转 plt.subplot(133);plt.title('im_transpose') plt.imshow(im_transpose) # plt.axis('off') # 不显示坐标轴 plt.show() 
CPU times: user 472 ms, sys: 8 ms, total: 480 ms Wall time: 476 ms time: 478 ms 3 图像通道
3-1 颜色通道
将当前图像转换为其他模式，并且返回新的图像
mode 的取值可以是如下几种： 1 1位像素，黑和白，存成8位的像素 L 8位像素，黑白（灰度图）,只有一个颜色通道 P 8位像素，使用调色板映射到任何其他模式 RGB 3× 8位像素，真彩 RGBA 4×8位像素，真彩+透明通道 CMYK 4×8位像素，颜色隔离 YCbCr 3×8位像素，彩色视频格式 I 32位整型像素 F 32位浮点型像素 %%time from PIL import Image # 设置画布大小 plt.figure(figsize=(10, 5)) im = Image.open(path) print('原始图像模式：', im.mode) plt.subplot(131);plt.title('original') plt.imshow(im) # convert(mode) im_gray = im.convert('L') # 加载为灰度图 print('im_convert 图像模式：', im_gray.mode) plt.subplot(132);plt.title('im_gray') plt.imshow(im_gray) # plt.axis('off') # 不显示坐标轴 plt.show() 原始图像模式： RGB im_convert 图像模式： L 
CPU times: user 312 ms, sys: 0 ns, total: 312 ms Wall time: 303 ms time: 304 ms 3-2 通道分离与合并
r,g,b = im.split() # 分离三通道 merge = Image.merge('RGB',(r,g,b)) # 合并三通道 merge 
time: 11.6 ms 4 图像添加水印
4-1 在图片上面加文字
# 提示：这段代码在科赛里不能运行， # 可以在自己本地的 notebook 运行 # from PIL import Image, ImageDraw, ImageFont # im = Image.open(path) # draw = ImageDraw.Draw(im) # 新建绘图对象 # width, height = im.size # 获取图像的宽和高 # setFont = ImageFont.truetype('C:/windows/fonts/Dengl.ttf', 20) # ImageFont模块 # draw.text(xy=(width - 140, height - 25), # 文字位置 # text=u'吻我别说话hhh', # 文字 # font=setFont, # 字体样式和大小 # fill="blue" # 设置文字颜色 # ) # im time: 399 µs 4-2 添加文字水印
im1, im2 必须为 RGBA 模式
Docstring:
Alpha composite im2 over im1.
:param im2: The second image. Must have mode RGBA, and the same size as
the first image.# 提示：这段代码在科赛里不能运行， # 可以在自己本地的 notebook 运行 # from PIL import Image, ImageDraw,ImageFont # im = Image.open(path).convert('RGBA') # # 新建图像 # txt = Image.new('RGBA', im.size, (0,0,0,0)) # # 添加文字 # fnt = ImageFont.truetype('C:/windows/fonts/Dengl.ttf', 20) # d = ImageDraw.Draw(txt) # d.text(xy=(txt.size[0]-80,txt.size[1]-30), # text=u"小知同学", # font=fnt, # fill='blue' # ) # # 合并图像 # im = Image.alpha_composite(im, txt) # im time: 553 µs 4-3 添加图片水印
from PIL import Image im = Image.open(path) watermark = Image.open(path) layer = Image.new('RGBA', im.size, (0,0,0,0)) layer.paste(watermark, (im.size[0]-150,im.size[1]-60)) im = Image.composite(layer,im,layer) im 
time: 15.8 ms 5 图像增强
2.0表示增强两倍，1.0表示不增强from PIL import Image, ImageEnhance import matplotlib.pyplot as plt # 设置画布大小 plt.figure(figsize=(10, 8)) # -------------------------------------- # 原始图像 im = Image.open(path) plt.subplot(231);plt.title('original') plt.imshow(im) # ----------图像增强----------------------- # 增强亮度 # 调整图片的明暗平衡 ie_Brightness = ImageEnhance.Brightness(im) plt.subplot(232);plt.title('ie_Brightness') plt.imshow(ie_Brightness.enhance(2.0)) plt.axis('off') # 关掉坐标轴 # 图片尖锐化 # 锐化/钝化图片 ie_Sharpness = ImageEnhance.Sharpness(im) plt.subplot(233);plt.title('ie_Sharpness') plt.imshow(ie_Sharpness.enhance(2.0)) # 对比度增强 # 调整图片的对比度 ie_Contrast = ImageEnhance.Contrast(im) plt.subplot(234);plt.title('ie_Contrast') plt.imshow(ie_Contrast.enhance(2.0)) # 色彩增强 # 图片的色彩平衡，相当于彩色电视机的色彩调整 ie_Color = ImageEnhance.Color(im) plt.subplot(235);plt.title('ie_Color') plt.imshow(ie_Color.enhance(2.0)) plt.axis('off') # 关掉坐标轴 plt.show() 
time: 584 ms 6 图像滤镜
可以方便的对图片进行一些过滤操作，从而去掉图片中的噪音(部分的消除)，
这样可以降低将来处理的复杂度(如模式识别等)。滤镜名称 含义 ImageFilter.BLUR 模糊滤镜 ImageFilter.CONTOUR 轮廓 ImageFilter.EDGE_ENHANCE 边界加强 ImageFilter.EDGE_ENHANCE_MORE 边界加强(阀值更大) ImageFilter.EMBOSS 浮雕滤镜 ImageFilter.FIND_EDGES 边界滤镜 ImageFilter.SMOOTH 平滑滤镜 ImageFilter.SMOOTH_MORE 平滑滤镜(阀值更大) ImageFilter.SHARPEN 锐化滤镜 # 实际上这个可以使用一个循环来批量处理的 # 读者朋友可以自己试一试 import matplotlib.pyplot as plt from PIL import Image from PIL import ImageFilter im = Image.open(path) # 设置画布大小 plt.figure(figsize=(18, 8)) plt.subplot(251); plt.title('original'); plt.imshow(im) im1 = im.filter(ImageFilter.BLUR) # 均值/模糊滤波 plt.subplot(252); plt.title('ImageFilter.BLUR'); plt.imshow(im1) im2 = im.filter(ImageFilter.CONTOUR) # 寻找轮廓 plt.subplot(253); plt.title('ImageFilter.CONTOUR'); plt.imshow(im2) im3 = im.filter(ImageFilter.EDGE_ENHANCE) # 边界加强 plt.subplot(254); plt.title('ImageFilter.EDGE_ENHANCE'); plt.imshow(im3) im4 = im.filter(ImageFilter.EDGE_ENHANCE_MORE) # 边界加强(阀值更大) plt.subplot(255); plt.title('ImageFilter.EDGE_ENHANCE_MORE'); plt.imshow(im4) im5 = im.filter(ImageFilter.EMBOSS) # 浮雕滤镜 plt.subplot(256); plt.title('ImageFilter.EMBOSS'); plt.imshow(im5) im6 = im.filter(ImageFilter.FIND_EDGES) # 边界滤镜 plt.subplot(257); plt.title('ImageFilter.FIND_EDGES'); plt.imshow(im6) im7 = im.filter(ImageFilter.SMOOTH) # 平滑滤镜 plt.subplot(258); plt.title('ImageFilter.SMOOTH'); plt.imshow(im7) im8 = im.filter(ImageFilter.SMOOTH_MORE) # 平滑滤镜（阈值更大） plt.subplot(259); plt.title('ImageFilter.SMOOTH_MORE'); plt.imshow(im8) im9 = im.filter(ImageFilter.SHARPEN) # 锐化滤镜 plt.subplot(2,5,10); plt.title('ImageFilter.SHARPEN'); plt.imshow(im9) plt.axis('off') # 关掉坐标轴 plt.show() 
time: 1.39 s 7 图像直方图
7-1 灰度图直方图
展平为一维：a.ravel()/a.flatten()import numpy as np from PIL import Image import matplotlib.pyplot as plt im = Image.open(path).convert('L') # 加载图像为灰度 print('>>>像素大小：', im.size) im_to_array = np.array(im) # 将图像转换成数组 x_value = im_to_array.flatten() # 将数组展平为一维数组 result = plt.hist(x=x_value, # x 轴一维数据 bins=None, # 柱子的大小，默认为 10（即 None） color='yellow', # 柱子的颜色 normed=0, # 是否归一化处理，默认为 0，非 0 就进行归一化处理 alpha=0.9 # 柱形图透明度，取值区间 [0, 1]——>[暗，亮] ) print('n>>> X 轴元素对应着出现的次数 n：n', result[0]) print('n>>> X 轴元素值 bins：n', result[1]) plt.title('gray color') plt.xlabel('gray_value') plt.ylabel('gray_counts') plt.show() >>>像素大小： (200, 200) >>> X 轴元素对应着出现的次数 n： [ 31. 349. 1248. 6690. 2089. 366. 179. 465. 10567. 18016.] >>> X 轴元素值 bins： [ 4. 29.1 54.2 79.3 104.4 129.5 154.6 179.7 204.8 229.9 255. ] 
time: 186 ms 7-2 彩色图直方图
from PIL import Image import numpy as np import matplotlib.pyplot as plt im = Image.open(path) r, g, b = im.split() # 分割颜色通道 r_value = np.array(r).flatten() # 将图片转换成数组并展平为一维数组 plt.hist(x=r_value, bins=30, normed=0,facecolor='r',edgecolor='r') g_value = np.array(g).flatten() plt.hist(x=g_value, bins=30, normed=0, facecolor='g',edgecolor='g') b_value = np.array(b).flatten() plt.hist(x=b_value, bins=30, normed=0, facecolor='b',edgecolor='b') plt.title('RGB color') plt.xlabel('R_G_B_value') plt.ylabel('R_G_B_counts') plt.show() 
time: 332 ms 8 图像通道运算
图像向量化
1 图像转换为数组
import numpy as np from PIL import Image im = Image.open(path) im 
time: 12.8 ms im_array = np.array(im) print('>>>图像大小：', im.size) print('n>>>图像通道模式：%s'%im.mode) print('n', '---'*10, 'n>>>图像信息：', im_array.shape) print('n>>>图像宽度：%d n>>>图像高度：%d n>>>图像通道数：%d'%(im_array.shape[0], im_array.shape[1], im_array.shape[2])) print(im_array[:2].shape) im_array[:2] >>>图像大小： (200, 200) >>>图像通道模式：RGB ------------------------------ >>>图像信息： (200, 200, 3) >>>图像宽度：200 >>>图像高度：200 >>>图像通道数：3 (2, 200, 3) array([[[255, 255, 255], [255, 255, 255], [255, 255, 255], ..., [255, 255, 255], [255, 255, 255], [255, 255, 255]], [[255, 255, 255], [255, 255, 255], [255, 255, 255], ..., [255, 255, 255], [255, 255, 255], [255, 255, 255]]], dtype=uint8) time: 5.28 ms 2 数组转换成图像
from PIL import Image im = Image.open(path) # 原始图像 im_array = np.array(im) # 图像转换成数组 array_im = Image.fromarray(im_array) # 数组转换成图像 array_im 
time: 13.1 ms 3 图像处理成三维数组
import numpy as np from PIL import Image # resize 统一图像像素 im1 = np.array(Image.open(path).convert('L').resize((28,28))) im2 = np.array(Image.open(path).convert('L').resize((28,28))) print(im1.shape) print(im2.shape) # im1 (28, 28) (28, 28) time: 4.89 ms # 灰色图只有一个通道 im11 = im1.reshape(1,28,28) im22 = im2.reshape(1,28,28) print(im11.shape) print(im22.shape) # im11 (1, 28, 28) (1, 28, 28) time: 852 µs im3 = np.vstack((im11,im22)) # 以行的维度添加 print(im3.shape) # 设置图形信息 sample_counts, channels, width, height = im3.shape[0], 1, im3.shape[1], im3.shape[2] im33 = im3.reshape(sample_counts, # 样本数量 channels, # 频道数 height, # 一个样本中的行数量 width # 一个样本中的列数量 ) print(im33.shape) # 将像素值缩放到 [0 1] 区间 im33 = im33/255 im33 (2, 28, 28) (2, 1, 28, 28) array([[[[1., 1., 1., ..., 1., 1., 1.], [1., 1., 1., ..., 1., 1., 1.], [1., 1., 1., ..., 1., 1., 1.], ..., [1., 1., 1., ..., 1., 1., 1.], [1., 1., 1., ..., 1., 1., 1.], [1., 1., 1., ..., 1., 1., 1.]]], [[[1., 1., 1., ..., 1., 1., 1.], [1., 1., 1., ..., 1., 1., 1.], [1., 1., 1., ..., 1., 1., 1.], ..., [1., 1., 1., ..., 1., 1., 1.], [1., 1., 1., ..., 1., 1., 1.], [1., 1., 1., ..., 1., 1., 1.]]]]) time: 5.25 ms 4 图像处理成二维数组
import numpy as np from PIL import Image # 灰度处理后，resize 统一图像像素，并且展平为一维 im1 = np.array(Image.open(path).convert('L').resize((28,28))).ravel() im2 = np.array(Image.open(path).convert('L').resize((28,28))).ravel() im3 = np.array(Image.open(path).convert('L').resize((28,28))).ravel() print(im1.shape) print(im2.shape) print(im3.shape) # im1 (784,) (784,) (784,) time: 6.72 ms im4 = np.vstack((im1,im2, im3)) # 以行的维度添加 print(im4.shape) # 将像素值缩放到 [0 1] 区间 im4 = im4/255 im4 (3, 784) array([[1., 1., 1., ..., 1., 1., 1.], [1., 1., 1., ..., 1., 1., 1.], [1., 1., 1., ..., 1., 1., 1.]]) time: 3.75 ms 参考文献
微信公众号：邯郸路220号子彬院 获取更多
本网页所有视频内容由 imoviebox边看边下-网页视频下载, iurlBox网页地址收藏管理器 下载并得到。
ImovieBox网页视频下载器 下载地址: ImovieBox网页视频下载器-最新版本下载
本文章由: imapbox邮箱云存储,邮箱网盘,ImageBox 图片批量下载器,网页图片批量下载专家,网页图片批量下载器,获取到文章图片,imoviebox网页视频批量下载器,下载视频内容,为您提供.
阅读和此文章类似的: 全球云计算
官方软件产品操作指南 (170)
