Python操作图像

安装Pillow

pip install Pillow

打开图像

from PIL import Image
img = Image.open("./lena.tiff")

保存图像

打开图像之后，可以将其保存，也就是另存为。
img对象.save(保存路径)

save方法不仅能够保存图像，还能够转换格式，取决于保存路径的最终文件后缀名。

img.save("./lena.jpg")
img.save("./lena.png")

查看属性

img = Image.open("./lena.tiff")
print('图像格式：{}'.format(img.format))
print('图像尺寸：{}'.format(img.size))
print('色彩模式：{}'.format(img.mode))

打印结果：

图像格式：TIFF
图像尺寸：(512, 512)
色彩模式：RGB

显示图像

from PIL import Image
import matplotlib.pyplot as plt
img = Image.open("./lena.tiff")
plt.imshow(img)
plt.show()

运行结果：

这是在数字图像处理中 被广泛用来做示例的一张图像  Lena

imshow函数是对图像进行载入，传入的参数可以是img对象，也可以是Numpy数组，最后由show函数负责将载入的图片进行显示。

默认是会带上像素坐标轴的，如果不显示坐标轴，可以在plt.show()之前加一句plt.axis("off")，以下会演示效果。

我们还可以同时显示多张图像，

from PIL import Image
import matplotlib.pyplot as plt

#打开三张图片
img1 = Image.open('./lena.tiff')
img2 = Image.open('./lena.png')
img3 = Image.open('./lena.jpg')

#设置画布尺寸
plt.figure(figsize=(10,5))

plt.subplot(131) #划分子图 本张为1行3列的第一张图
plt.title(img1.format)  #图片标题
plt.axis('off') #关闭坐标轴
plt.imshow(img1) #载入图片

plt.subplot(132)
plt.title(img2.format)
plt.axis('off')
plt.imshow(img2)

plt.subplot(133)
plt.title(img3.format)
plt.axis('off')
plt.imshow(img3)

plt.show() #显示图片

运行结果：

色彩模式

我们可以使用img对象的convert方法将图像转换色彩模式

img对象.convert(色彩模式)

色彩模式的取值有如下几种：

1：二值图像
L：灰度图像
P：8位彩色图像
RGB：24位彩色图像
RGBA：32位彩色图像
CMYK：CMYK彩色图像
YCbCr：YCbCr彩色图像
I：32位整型灰度图像
F：32位浮点灰度图像

用法示例：

from PIL import Image
import matplotlib.pyplot as plt

img1 = Image.open('./lena.tiff')
img_gray = img1.convert("L")
plt.figure(figsize=(10,10))
plt.imshow(img_gray,cmap='gray')
plt.show()

转成灰度图之后  就是这样子：

颜色通道

用img对象的split()方法将图像按照RGB三个通道分离成三个图像。

也可以用Image库的merge函数将多个通道合并成一个图像。

from PIL import Image
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif']=['SimHei']

img = Image.open('./lena.tiff')
img_r,img_g,img_b = img.split()
plt.figure(figsize=(10,10))

plt.subplot(221)
plt.title('R通道',fontsize=18)
plt.axis('off')
plt.imshow(img_r,cmap='gray')

plt.subplot(222)
plt.title('G通道',fontsize=18)
plt.axis('off')
plt.imshow(img_g,cmap='gray')

plt.subplot(223)
plt.title('B通道',fontsize=18)
plt.axis('off')
plt.imshow(img_b,cmap='gray')

img_rgb = Image.merge('RGB',[img_r,img_g,img_b])
plt.subplot(224)
plt.title('合并通道',fontsize=18)
plt.axis('off')
plt.imshow(img_rgb)

plt.show()

运行结果：

按灰度图显示对应通道，比如第一张图中，颜色越亮，表示红色越多，颜色越暗，表示红色越少。

图像转数组

在人工智能处理图像的时候，都是先将图像转成数组，数组中的元素对应图像中的各个像素点。

将图像转为数组需要用到numpy的array函数。

from PIL import Image
import numpy as ny
img = Image.open('./lena.tiff')
arr = ny.array(img)
print('形状：{}'.format(arr.shape))
print(arr)

打印结果（数组很长，默认中间以省略号代替）：

形状：(512, 512, 3)
[[[226 137 125]
[226 137 125]
[223 137 133]
...
[230 148 122]
[221 130 110]
[200 99 90]]

[[226 137 125]
[226 137 125]
[223 137 133]
...
[230 148 122]
[221 130 110]
[200 99 90]]]

图像数组是一个三维数组，前两维对应图像的尺寸，第三维对应图像的三个通道，也就是说前两维是一个512行乘以512列的矩阵，因为整张图像大小就是512像素*512像素，第三维是每个像素点的RGB三个通道的颜色值。 

接下来我们看一下将一张灰度图转为数组是什么样子的，使用上文转换色彩模式时保存下来的灰度图：

from PIL import Image
import numpy as ny
img = Image.open('./003.jpg')
arr = ny.array(img)
print('形状：{}'.format(arr.shape))
print(arr)

打印结果：

形状：(512, 512)
[[162 161 160 ... 171 154 129]
[162 162 161 ... 173 158 133]
[163 162 161 ... 171 155 128]
...
[ 42 45 49 ... 102 103 103]
[ 41 45 50 ... 105 107 109]
[ 41 45 51 ... 102 105 107]]

此时的形状是一个512*512的二维数组，其中每个元素对应一个像素点的灰度值。

那我们可以将这张灰度图做一个反色处理，将每个像素的颜色值都用255来减一下，也就是黑色变成白色，白色变成黑色。

import matplotlib.pyplot as plt
from PIL import Image
import numpy as ny
img = Image.open('./003.jpg')
arr = ny.array(img)

plt.figure(figsize=(10,5))

plt.subplot(121)
plt.title('old')
plt.imshow(arr,cmap='gray')
plt.axis('off')

new_arr = 255 - arr
plt.subplot(122)
plt.title('new')
plt.imshow(new_arr,cmap='gray')
plt.axis('off')

plt.show()

运行结果：

图像缩放

使用img对象的resize方法可以对图像进行缩放

import matplotlib.pyplot as plt
from PIL import Image

img = Image.open('./lena.tiff')

plt.figure(figsize=(10,5))

plt.subplot(121)
plt.title('old')
plt.imshow(img)

new_img = img.resize((64,64))
plt.subplot(122)
plt.title('new')
plt.imshow(new_img)

plt.show()

运行结果：

通过坐标轴可以看到 原图是512*512尺寸大小，进行缩放成64*64之后，图像的质量下降，出现了类似马赛克的效果，这个操作是一个降采样的过程。

缩放还可以使用img的thumbnail方法，但不同的是thumbnail方法是对图像的原地操作，不会有返回值，使用示例：

import matplotlib.pyplot as plt
from PIL import Image

img = Image.open('./lena.tiff')

plt.figure(figsize=(10,5))

plt.subplot(121)
plt.title('old')
plt.imshow(img)

img.thumbnail((64,64))
plt.subplot(122)
plt.title('new')
plt.imshow(img)

plt.show()

运行结果和之前一模一样。

图像旋转

img对象.transpose()方法对图像进行旋转。

参数中指定旋转方式，有如下几种：

Image.FLIP_LEFT_RIGHT = 0 水平翻转
Image.FLIP_TOP_BOTTOM = 1 上下翻转
Image.ROTATE_90 = 2 逆时针旋转90度
Image.ROTATE_180 = 3 逆时针旋转180度
Image.ROTATE_270 = 4 逆时针旋转270度
Image.TRANSPOSE = 5 将图像转置
Image.TRANSVERSE = 6 将图像进行转置，再水平翻转

可以传常量属性，也可以直接传数字，源码中常量是直接映射成数字处理的。

import matplotlib.pyplot as plt
from PIL import Image

img = Image.open('./lena.tiff')

plt.rcParams['font.sans-serif']=['SimHei']

plt.figure(figsize=(10,20))

plt.subplot(421)
plt.axis('off')
plt.title('原图',fontsize=18)
plt.imshow(img)

img2 = img.transpose(Image.FLIP_LEFT_RIGHT)
plt.subplot(422)
plt.axis('off')
plt.title('水平翻转',fontsize=18)
plt.imshow(img2)

img3 = img.transpose(Image.FLIP_TOP_BOTTOM)
plt.subplot(423)
plt.axis('off')
plt.title('上下翻转',fontsize=18)
plt.imshow(img3)

img4 = img.transpose(Image.ROTATE_90)
plt.subplot(424)
plt.axis('off')
plt.title('逆时针旋转90度',fontsize=18)
plt.imshow(img4)

img5 = img.transpose(Image.ROTATE_180)
plt.subplot(425)
plt.axis('off')
plt.title('逆时针旋转180度',fontsize=18)
plt.imshow(img5)

img6 = img.transpose(Image.ROTATE_270)
plt.subplot(426)
plt.axis('off')
plt.title('逆时针旋转270度',fontsize=18)
plt.imshow(img6)

img7 = img.transpose(Image.TRANSPOSE)
plt.subplot(427)
plt.axis('off')
plt.title('将图像转置',fontsize=18)
plt.imshow(img7)

img8 = img.transpose(Image.TRANSVERSE)
plt.subplot(428)
plt.axis('off')
plt.title('转置+翻转',fontsize=18)
plt.imshow(img8)

plt.show()

运行结果：

图像裁剪

img对象.crop((x0,y0,x1,y1))

参数中的x0,y0代表裁剪内容的左上角坐标，x1,y1代表裁剪内容的右下角坐标，两个坐标即可确定出裁剪的矩形区域。

import matplotlib.pyplot as plt
from PIL import Image

img = Image.open('./lena.tiff')

plt.rcParams['font.sans-serif']=['SimHei']

plt.figure(figsize=(10,5))

plt.subplot(121)
plt.axis('off')
plt.title('原图',fontsize=18)
plt.imshow(img)

area = (200,200,400,400)
img2 = img.crop(area)
plt.subplot(122)
plt.axis('off')
plt.title('裁剪结果',fontsize=18)
plt.imshow(img2)

plt.show()

运行结果：