PIL包在Python图像处理中的应用

已于 2024-11-26 20:54:40 修改
阅读量566 收藏 9
点赞数 4
CC 4.0 BY-SA版权
分类专栏： 人工智能学习笔记 文章标签： python 图像处理 开发语言 PIL pillow CV 计算机视觉
于 2024-11-15 17:43:34 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/PolarisRisingWar/article/details/143804505

诸神缄默不语-个人优快云博文目录

PIL（Python Imaging Library）是Python中一个强大的图像处理库，尽管其已不再更新，但其后续版本Pillow提供了更多的功能和更好的兼容性。本文将重点介绍Pillow库中的open()函数、fromarray()函数以及save()函数，并通过示例代码展示它们的用法。

文章目录

一、open()函数

open()函数用于打开一个图像文件，并返回一个Image对象。其基本用法如下：

from PIL import Image

# 打开图像文件
img = Image.open('path_to_image.jpg')

# 显示图像
img.show()

二、fromarray()函数

fromarray()函数用于将NumPy数组转换为Image对象。这在处理大量图像数据或需要与其他库（如OpenCV）交互时非常有用。其基本用法如下：

import numpy as np
from PIL import Image

# 创建一个NumPy数组
array = np.random.rand(100, 100, 3) * 255  # 生成一个100x100的随机RGB图像

# 将NumPy数组转换为Image对象
img = Image.fromarray(array.astype('uint8'))

# 显示图像
img.show()

三、save()函数

save()函数用于将Image对象保存为指定格式的图像文件。其基本用法如下：

from PIL import Image

# 打开图像文件
img = Image.open('example.jpg')

# 保存图像为PNG格式
img.save('example.png')

四、point()函数

在Python的Pillow库（即PIL的升级版本）中，Image对象的point方法是一种用于对图像中的每个像素值应用特定操作的工具。它的作用是将一个函数（或查找表）映射到图像的每个像素，从而对图像进行点运算（点操作）。

Image.point(function=None, mode=None)

参数：

  1. function

    • 一个可以接收像素值并返回新像素值的函数（或查找表）。
    • 例如：
      • 如果传入的是函数，函数会对每个像素的值执行一次映射。
      • 如果传入的是一个查找表（列表或其他可迭代对象），那么查找表的长度必须为256，表示对每个可能的像素值（0-255）进行直接替换。

  2. mode

    • 可选参数，表示结果图像的模式（如 "L"、"RGB" 等）。如果未指定，结果图像将与输入图像的模式相同。

返回值：
返回一个新的 Image 对象，其中每个像素都已根据提供的函数或查找表进行了修改。

使用场景：

  1. 图像亮度调整
  2. 图像对比度调整
  3. 图像反色
  4. 色彩分量调整
  5. 自定义点操作

示例1：像素值线性变换
将每个像素值增加50（确保结果在0-255范围内）。

from PIL import Image

# 打开图像
img = Image.open("example.jpg")

# 使用 point 方法
new_img = img.point(lambda p: min(255, p + 50))

# 显示结果
new_img.show()

示例2：图像反色

from PIL import Image

# 打开图像
img = Image.open("example.jpg")

# 对每个像素值进行反色操作
negative_img = img.point(lambda p: 255 - p)

# 显示结果
negative_img.show()

示例3：调整红色通道
对彩色图像中的红色通道应用线性函数，其它通道保持不变。

from PIL import Image

# 打开图像
img = Image.open("example.jpg")

# 拆分为 R、G、B 通道
r, g, b = img.split()

# 调整红色通道
r = r.point(lambda p: p * 0.5)  # 将红色通道值减半

# 合并通道
new_img = Image.merge("RGB", (r, g, b))

# 显示结果
new_img.show()

示例4：使用查找表
使用查找表对像素值进行非线性映射。

from PIL import Image

# 创建一个查找表，使亮度提高到平方
lookup_table = [min(255, int((i / 255) ** 2 * 255)) for i in range(256)]

# 打开图像
img = Image.open("example.jpg")

# 应用查找表
new_img = img.point(lookup_table)

# 显示结果
new_img.show()

注意事项：

  1. 如果传入的是函数，该函数需要对每个像素值逐一操作，这在处理大图像时可能较慢。
  2. 查找表更高效，但需要提前生成。
  3. 对于多通道图像（如 "RGB" 模式），point 会逐通道处理。

point 方法是对图像每个像素点逐一操作的有效工具，尤其适合实现基于像素的自定义处理逻辑。

五、convert()函数

在Pillow库中，Image对象的convert函数用于将图像从一种模式转换为另一种模式。它非常灵活，常用于图像模式的转换（如从彩色图像转为灰度图像或二值图像），也可以用于改变图像的调色板。

Image.convert(mode=None, matrix=None, dither=None, palette=0, colors=256)

参数说明：

  1. mode:

    • 字符串类型，指定目标图像模式。例如：
      • "1": 1位像素，黑白二值图像。
      • "L": 8位像素，灰度图像。
      • "P": 8位像素，使用调色板的彩色图像。
      • "RGB": 24位像素，真彩色图像。
      • "RGBA": 32位像素，真彩色加透明通道。
      • "CMYK": 32位像素，CMYK色彩模型。
    • 如果省略或为 None，则默认使用原图像模式。

  2. matrix:

    • 一个可选的4×4或3×3矩阵，用于指定颜色转换的变换规则。
    • 常用于自定义颜色转换，例如将图像从一种颜色空间映射到另一种颜色空间。

  3. dither:

    • 整数类型，指定抖动模式。常见值：
      • Image.NONE: 无抖动。
      • Image.FLOYDSTEINBERG: Floyd-Steinberg抖动（默认值）。
    • 仅在模式从高位转换到低位时有效，例如从 "RGB" 转换为 "P" 或 "1"。

  4. palette:

    • 指定用于 "P" 模式的调色板。常见值：
      • Image.ADAPTIVE: 自适应调色板，基于图像内容动态生成调色板。
      • Image.WEB: 使用标准WEB调色板。

  5. colors:

    • 用于调色板的颜色数量（仅在模式为 "P" 且调色板为 Image.ADAPTIVE 时生效）。默认为 256。

返回值：
返回一个新的 Image 对象，其模式根据指定参数进行了转换。

使用场景：

  1. 转换图像为灰度模式（L 模式）。
  2. 生成二值化图像（1 模式）。
  3. 将图像从 RGB 转为 RGBA 以支持透明通道。
  4. 对调色板图像重新生成自适应调色板。
  5. 自定义颜色映射规则的颜色空间转换。

示例1：彩色图像转换为灰度图像

from PIL import Image

# 打开彩色图像
img = Image.open("example.jpg")

# 转换为灰度模式
gray_img = img.convert("L")

# 显示结果
gray_img.show()

示例2：生成黑白二值图像

from PIL import Image

# 打开彩色图像
img = Image.open("example.jpg")

# 转换为黑白二值模式
bw_img = img.convert("1")

# 显示结果
bw_img.show()

示例3：自适应调色板

from PIL import Image

# 打开图像
img = Image.open("example.jpg")

# 转换为调色板模式，使用自适应调色板
palette_img = img.convert("P", palette=Image.ADAPTIVE, colors=16)

# 显示结果
palette_img.show()

示例4：使用自定义颜色矩阵
将图像从RGB模式转换为灰度模式，并自定义灰度计算规则：

from PIL import Image

# 打开图像
img = Image.open("example.jpg")

# 定义颜色转换矩阵（自定义灰度公式）
matrix = (0.5, 0.5, 0.0, 0,  # R权重
          0.5, 0.5, 0.0, 0,  # G权重
          0.0, 0.0, 0.0, 1)  # B权重 + 偏移量
custom_gray_img = img.convert("L", matrix)

# 显示结果
custom_gray_img.show()

示例5：从 RGB 转换为 CMYK

from PIL import Image

# 打开图像
img = Image.open("example.jpg")

# 转换为 CMYK 模式
cmyk_img = img.convert("CMYK")

# 显示结果
cmyk_img.show()

注意事项：

  1. 数据丢失:
    • 模式转换可能会导致数据丢失。例如，从 "RGB" 转为 "L" 会丢失颜色信息。
  2. 矩阵使用:
    • 矩阵仅适用于某些模式转换（如 RGB 到 L），并且需要提供正确的维度。
  3. 性能影响:
    • 转换较大的图像时可能需要较长时间，尤其是使用自定义矩阵或自适应调色板时。

总结：
convert 方法是一个强大的工具，用于模式转换、颜色调整和调色板优化。在图像处理中，convert 常被用作预处理步骤，以满足特定任务的图像模式要求。

六、crop()函数

Image.crop() 是 Python 的 Pillow（PIL 的升级版）库中用于裁剪图像的方法。它可以从图像中截取一个矩形区域并返回一个新的图像对象，常用于对图像的局部操作或提取特定区域。

Image.crop(box)

参数：

  • box:
    • 类型：一个包含四个整数的元组 (left, upper, right, lower)。
    • 描述：定义裁剪区域的矩形框。
      • left：裁剪区域左边界的 x 坐标。
      • upper：裁剪区域上边界的 y 坐标。
      • right：裁剪区域右边界的 x 坐标。
      • lower：裁剪区域下边界的 y 坐标。
    • 注意：坐标的原点 (0, 0) 位于图像的左上角。

返回值：

  • 返回一个新的 Image 对象，表示裁剪后的图像。

使用场景：

  1. 提取图像的一部分：裁剪出感兴趣的区域。
  2. 图像预处理：在机器学习中裁剪图像以适应模型输入要求。
  3. 图像编辑：去除不需要的边缘部分。

示例 1：裁剪固定区域

from PIL import Image

# 打开图像
img = Image.open("example.jpg")

# 定义裁剪区域 (left, upper, right, lower)
box = (100, 100, 400, 400)

# 裁剪图像
cropped_img = img.crop(box)

# 显示裁剪后的图像
cropped_img.show()

示例 2：动态裁剪（根据图像尺寸）

from PIL import Image

# 打开图像
img = Image.open("example.jpg")

# 获取图像尺寸
width, height = img.size

# 定义裁剪区域：裁剪图像中心区域
left = width // 4
upper = height // 4
right = 3 * width // 4
lower = 3 * height // 4
box = (left, upper, right, lower)

# 裁剪图像
cropped_img = img.crop(box)

# 显示结果
cropped_img.show()

示例 3：裁剪后保存

from PIL import Image

# 打开图像
img = Image.open("example.jpg")

# 定义裁剪区域
box = (50, 50, 200, 200)

# 裁剪并保存
cropped_img = img.crop(box)
cropped_img.save("cropped_example.jpg")

示例 4：循环裁剪多个区域

from PIL import Image

# 打开图像
img = Image.open("example.jpg")

# 定义多个裁剪区域
regions = [(0, 0, 100, 100), (100, 100, 200, 200), (200, 200, 300, 300)]

# 裁剪并保存每个区域
for i, box in enumerate(regions):
    cropped_img = img.crop(box)
    cropped_img.save(f"cropped_region_{i + 1}.jpg")

注意事项：

  1. 坐标范围：

    • 裁剪区域的坐标必须在图像范围内，否则会抛出错误或返回空白图像。

  2. 返回值是新的图像对象：

    • 原图像不会被修改，crop() 返回的是裁剪后的新图像。

  3. 坐标单位是像素：

    • 所有参数的单位为像素，以左上角为坐标原点。

  4. 区域定义：

    • 如果 left == right 或 upper == lower，裁剪结果为空。

常见问题：

  1. 裁剪区域超出图像范围
  • 原因：裁剪区域的坐标超出了图像的宽高。
  • 解决方法：在定义裁剪区域时，确保坐标值不超过图像尺寸。
width, height = img.size
box = (0, 0, width, height)  # 确保裁剪范围有效
  1. 裁剪结果为空
  • 原因：box 的宽度或高度为零。
  • 解决方法：确保 right > left 且 lower > upper。

总结：

  • Image.crop() 是 Pillow 中常用的方法，用于从图像中裁剪特定区域。
  • 通过设置裁剪框 (left, upper, right, lower)，可以精确控制裁剪的区域。
  • 它广泛用于图像编辑、处理和机器学习中的预处理工作。

七、ImageEnhance.Contrast()类+enhance()方法

在Pillow库（即PIL的升级版本）中，ImageEnhance模块提供了用于增强图像的工具，其中 Contrast 类用于调整图像的对比度。

ImageEnhance.Contrast(image)

参数：

  • image:
    • 需要调整对比度的图像对象（Image 类的实例）。
    • 支持多种模式的图像（如 "L"、"RGB" 等）。

返回值：
返回一个 ImageEnhance.Contrast 对象，通过其 enhance(factor) 方法可以生成调整后对比度的新图像。

enhance(factor)
用于根据指定的增强因子调整图像的对比度。

参数：

  • factor:
    • 一个浮点数，用于控制对比度的调整。
    • 常见取值范围：
      • factor = 1.0: 保持原始对比度（无变化）。
      • factor < 1.0: 降低对比度，直到完全灰度（factor = 0 时，图像变成单一灰度）。
      • factor > 1.0: 增强对比度，值越高，对比度越强烈。

返回值：
返回一个新的 Image 对象，其中的对比度已根据给定的因子调整。

使用场景：

  1. 增强图像细节（提高对比度）。
  2. 降低对比度以实现柔和效果。
  3. 图像预处理（为进一步分析或处理准备图像）。

示例 1：增强对比度

from PIL import Image, ImageEnhance

# 打开图像
img = Image.open("example.jpg")

# 创建对比度增强对象
contrast = ImageEnhance.Contrast(img)

# 增强对比度
enhanced_img = contrast.enhance(1.5)  # 对比度增强 1.5 倍

# 显示结果
enhanced_img.show()

示例 2：降低对比度

from PIL import Image, ImageEnhance

# 打开图像
img = Image.open("example.jpg")

# 创建对比度增强对象
contrast = ImageEnhance.Contrast(img)

# 降低对比度
reduced_contrast_img = contrast.enhance(0.5)  # 对比度降低到 50%

# 显示结果
reduced_contrast_img.show()

示例 3：完全去除对比度

from PIL import Image, ImageEnhance

# 打开图像
img = Image.open("example.jpg")

# 创建对比度增强对象
contrast = ImageEnhance.Contrast(img)

# 设置对比度因子为 0（完全灰度）
gray_img = contrast.enhance(0)

# 显示结果
gray_img.show()

注意事项：

  1. 输入模式要求:
    • 支持多种图像模式（如 "L"、"RGB" 等），但不支持模式 "P"（调色板模式），需要先转换为 "RGB"。
  2. 图像质量:
    • 如果对比度因子过高，可能会导致图像细节丢失或颜色溢出。
  3. 性能:
    • 操作会对整幅图像进行逐像素处理，对于较大的图像可能需要更多的处理时间。

实现原理（简述）：
对比度调整基于图像的亮度均值，通过调整像素与均值之间的差异幅度来改变对比度：

  • 如果因子大于 1，像素值向均值两端扩展，增加对比度。
  • 如果因子小于 1，像素值向均值靠近，降低对比度。

ImageEnhance.Contrast 是一个强大的工具，可在对比度调整方面提供灵活性，非常适合在图像增强和预处理任务中使用。

八、综合示例

下面是一个综合示例，展示了如何使用open()、fromarray()和save()函数完成一系列图像处理任务：

import numpy as np
from PIL import Image

# 打开图像文件
img = Image.open('example.jpg')

# 将Image对象转换为NumPy数组
array = np.array(img)

# 对数组进行处理（例如：灰度化）
gray_array = np.dot(array[..., :3], [0.2989, 0.5870, 0.1140])

# 将处理后的数组转换回Image对象
gray_img = Image.fromarray(gray_array.astype('uint8'))

# 保存处理后的图像
gray_img.save('example_gray.png')

通过以上示例，我们可以看到Pillow库在图像处理中的强大功能。希望本文对你有所帮助！

评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

诸神缄默不语

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值