Python图像处理教程(Pillow)12 像素处理与nump

像素处理与numpy

像素处理简介

有时你可能想单独读取或设置图像像素。这可以用于。

• 创建特殊的填充物或梯度。
• 创建计算的图像，如分形图。
• 执行专门的像素计算。
• 在像素层面上应用特殊效果。

基于像素处理图像

下面是一个简单的例子，我们对图像中的每个像素进行处理。我们将把绿色和蓝色通道在X方向上移动几个像素，以模拟糟糕的注册图像的效果。这纯粹是作为例子来做的，除了作为一种稍微不寻常的艺术效果，它没有任何实际用途。下面是最终图像的模样。

以下是代码。

from PIL import Image
import math

image = Image.open('boat.jpg')

pixels = image.load()
for x in range(image.size[0]-20):
    for y in range(image.size[1]):
        r, _, _ = pixels[x, y]
        _, g, _ = pixels[x+10, y]
        _, _, b = pixels[x+20, y]
        pixels[x, y] = (r, g, b)


image.save('deregister.jpg')
image.close()

load方法把图像加载PixelAccess对象，然后将其存储在像素中。这是一个像素颜色的二维数组。

这种效果可以用不同的方式完成。我们可以用Image.split将图像分割成3个独立的带子，然后从绿色平面的左边边缘裁剪10个像素（从蓝色边缘裁剪20个），然后用Image.merge将这些带子重新连接起来。这可能更有效，但这个例子只是为了说明像素访问。

基于像素创建图像

我们将创建一个新的图像，而不是修改图像。我们将用一个简单的数学图形填充图像，基于正弦函数的点。

图片.png

以下是代码。

image = Image.new('L', (256, 256), 'black')

pixels = image.load()
for x in range(256):
    for y in range(256):
        pixels[x, y] = 128+int(63*math.sin(x/10) + 63*math.sin(y/10))


image.save('sine-pattern.jpg')
image.close()

这个图案产生了弥漫的黑白点。然而，这个函数产生的值是在-2.0到+2.0的范围内。我们将这些值乘以63，再加上128，以产生更接近于0到255范围的值。我们还将x和y除以10，以使圆点变大。这里的实际模式并不太重要，你可以很容易地用你自己的函数来替换它。

当然，我们也可以用RGB图像来做这个。在这种情况下，我们可能需要计算（r，g，b）元组来分配给循环中的像素[x，y]，就像前面的例子一样。

访问像素性能

你应该知道，单独访问像素是比较慢的。如果你实现的算法涉及读取或写入大量的像素，预计会比调用Pillow的内置函数慢很多。这是因为Pillow的大多数底层函数是用C语言编写的，而C语言比Python快很多。

在现代PC上，写入一个中等大小的图像（600万像素）的每个像素需要不到一秒钟。在以下情况下，性能会成为一个更重要的问题。

• 处理非常大的图像。
• 批量处理大量的图像，例如对一个特定文件夹中的所有图像应用一种效果。
  在GUI应用程序中交互式地处理图像，用户通常期望得到即时的响应。

一般来说。

• 如果可能的话，使用Pillow内置函数。
• 考虑将图像转换为NumPy数组来执行复杂的处理。

参考资料

• 本文涉及的python测试开发库 谢谢点赞！
• 本文相关海量书籍下载

NumPy集成简介

这可能是最重要的集成，因为。

• NumPy可以非常有效地存储和处理大量的数据。
• 许多其他的Python包都与NumPy兼容。

NumPy以数值的多维数组形式存储数据。这些数值可以有不同的类型和大小。例如，如果一个NumPy数组存储整数数据，你可以选择存储8位、16位、32位或64位数据，这些数据可以是有符号或无符号的。这与Python整数相比，后者是一个对象，可以存储任何大小的整数。

为了与Pillow集成，我们通常使用无符号的8位整数。

from PIL import Image
import numpy as np

image = Image.open('boat-small.jpg')

image_array = np.array(image) # 将图像转换为NumPy数组
print('shape', image_array.shape)

# 修改NumPy数组
image_array = 255 - image_array # 
image_array[100:200, 150:350] = np.array([255, 128, 0])

out_image = Image.fromarray(image_array) # 将数组转换回Pillow图像。
out_image.save('numpy-image.jpg') 

(280, 420, 3)表这个数组是三维，它的大小是280乘以420乘以3。

使用NumPy处理图像时，我们需要到处交换x和y。比如说

image_array(10, 20)将访问(x, y)位置(20, 10)的像素。

image_array = 255 - image_array，这段代码对数组中的每个值都执行了x=255-x的操作，这就产生了反转图像的效果。

image_array[100:200, 150:350] = np.array([255, 128, 0])