gray python将图片转化成 python将图片转换为矩阵

转载

mob64ca1403528a 2023-10-06 20:51:22

文章标签 gray python将图片转化成 python 函数图像处理 numpy 文章分类 Python 后端开发

NumPy（http://www.scipy.org/NumPy/）是非常有名的Python 科学计算工具包，其中
包含了大量有用的思想，比如数组对象（用来表示向量、矩阵、图像等）以及线性
代数函数。数组对象可以帮助你实现数组中重要的操作，比如矩阵乘积、转置、
解方程系统、向量乘积和归一化，这为图像变形、对变化进行建模、图像分类、
图像聚类等提供了基础。

一。图像数组表示：
将图片转化为数组矩阵,这样才能进行各种变换，使用数学的方法去完成各种问题

（1. 使用pylab中的array()

arrayIm = array(img)

（2.位于坐标i、j，以及颜色通道k 的像素值可以像下面这样访问：

value = arrayIm[i,j,k]

（3. python矩阵相关操作

im[i,:] = im[j,:] # 将第j 行的数值赋值给第i 行
im[:,i] = 100 # 将第i 列的所有数值设为100
im[:100,:50].sum() # 计算前100 行、前50 列所有数值的和
im[50:100,50:100] # 50~100 行，50~100 列（不包括第100 行和第100 列）
im[i].mean() # 第i 行所有数值的平均值
im[:,-1] # 最后一列
im[-2,:] (or im[-2]) # 倒数第二行

二. 图片简单像素变换
python 中对于矩阵数组的操作比较有技巧，太符合python的风格了，简单优雅

例如：

im = array(Image.open('empire.jpg').convert('L')) 
# 对图像进行反相处理（黑变白白变黑）
im2 = 255 - im 
# 将图像像素值变换到100...200 区间（对比度比较弱）
im3 = (100.0/255) * im + 100
# 对图像像素值求平方后得到的图像（比源灰度图要对比度更强）
im4 = 255.0 * (im/255.0)**2

三. 图像缩放（貌似前面几篇有）

Image类中的resize()方法即可完成图像的缩放

pil_im.resize(size)

四. 直方图均衡化

图像灰度变换中一个非常有用的例子就是直方图均衡化。直方图均衡化是指将一幅
图像的灰度直方图变平，使变换后的图像中每个灰度值的分布概率都相同。在对图
像做进一步处理之前，直方图均衡化通常是对图像灰度值进行归一化的一个非常好
的方法，并且可以增强图像的对比度。

函数实现：

# 对一幅灰度图像进行直方图均衡化
def histeq(im,nbr_bins=256):
    # 计算图像的直方图
    imhist,bins = histogram(im.flatten(),nbr_bins,normed=True)
    cdf = imhist.cumsum() # cumulative distribution function
    cdf = 255 * cdf / cdf[-1] # 归一化
    # 使用累积分布函数的线性插值，计算新的像素值
    im2 = interp(im.flatten(),bins[:-1],cdf)
    return im2.reshape(im.shape)

五. 图像平均:

图像平均操作是减少图像噪声的一种简单方式，通常用于艺术特效。我们可以简单
地从图像列表中计算出一幅平均图像。假设所有的图像具有相同的大小，我们可以
将这些图像简单地相加，然后除以图像的数目，来计算平均图像。

函数实现：

#计算图像列表的平均图像
def compute_average(img):
# 打开第一幅图像，将其存储在浮点型数组中
    averageim = array(img[0], 'f')
    for im in img:
        averageim += array(im)
    averageim /= len(img)
    # 返回uint8 类型的平均图像
    return array(averageim, 'uint8')

综合小案例：

#coding=utf-8
#
# NumPy小案例
#输出六张图，分别是
# 原图的灰度图，反相处理结果，像素求平方处理结果
# 原图缩放一倍，图片直方图均衡化，图像平均

# 对一幅灰度图像进行直方图均衡化
def histeq(im,nbr_bins=256):
    # 计算图像的直方图
    imhist,bins = histogram(im.flatten(),nbr_bins,normed=True)
    cdf = imhist.cumsum() # cumulative distribution function
    cdf = 255 * cdf / cdf[-1] # 归一化
    # 使用累积分布函数的线性插值，计算新的像素值
    im2 = interp(im.flatten(),bins[:-1],cdf)
    return im2.reshape(im.shape)

#计算图像列表的平均图像
def compute_average(img):
# 打开第一幅图像，将其存储在浮点型数组中
    averageim = array(img[0], 'f')
    for im in img:
        averageim += array(im)
    averageim /= len(img)
    # 返回uint8 类型的平均图像
    return array(averageim, 'uint8')

from PIL import Image
from numpy import *
import pylab as plb
import matplotlib.pyplot as plt
#求平均的图片必须大小相同
img1 = array(Image.open('test1.jpg'))
img1.resize((300,300))
img2 = array(Image.open('test2.jpg'))
img2.resize((300,300))
img3 = array(Image.open('test3.jpg'))
img3.resize((300,300))
im = array(Image.open('test1.jpg').convert('L'),'f')
# 对图像进行反相处理
im2 = 255 - im
# 对图像像素值求平方后得到的图像
im4 = 255.0 * (im/255.0)**2

#im = Image.fromarray(im)
plb.gray()
plt.subplot(231)
plt.imshow(im)      #显示灰度图
plt.subplot(232)
plt.imshow(im2)     #显示反相图
plt.subplot(233)
plt.imshow(im4)     #显示平方后的图像

plt.subplot(235)
img5 = Image.fromarray(histeq(im))
plt.imshow(img5)    #显示均衡化的图像
plt.subplot(236)
img = (img1,img2,img3)
img6 = Image.fromarray(compute_average(img))
plt.imshow(img6)    #显示求平均后的图像

im = Image.fromarray(im)
plt.subplot(234)
#resize()需要图片对象进行调用
#显示缩小的图片
plt.imshow(im.resize((im.size[0]/2,im.size[1]/2)))
plb.show()#暂停程序

gray python将图片转化成 python将图片转换为矩阵_图像处理