将 PIL 黑白图像转换为 Numpy 数组时出错答案

【问题标题】：Error Converting PIL B&W images to Numpy Arrays将 PIL 黑白图像转换为 Numpy 数组时出错
【发布时间】：2011-02-15 05:46:37
【问题描述】：

当我尝试将黑白 PIL 图像转换为 numpy 数组时，我遇到了奇怪的错误。下面是我正在使用的代码示例。

    if image.mode != '1':
        image = image.convert('1') #convert to B&W
    data = np.array(image) #Have also tried np.asarray(image)
    n_lines = data.shape[0] #number of raster passes
    line_range = range(data.shape[1])
    for l in range(n_lines):
        # process one horizontal line of the image
        line = data[l]
        for n in line_range:
            if line[n] == 1:
                write_line_to(xl, z+scale*n, speed) #conversion to other program code
            elif line[n] == 0:
                run_to(xl, z+scale*n) #conversion to other program code

我已经尝试使用 array 和 asarray 进行转换，并且得到了不同的错误。如果我使用数组，那么我得到的数据和我输入的完全不一样。它看起来像几个非常缩小的部分图像并排，图像空间的其余部分被填充为黑色。如果我使用 asarray，那么整个 python 在光栅步骤期间崩溃（在随机线上）。如果我使用灰度图像 ('L')，那么无论是数组还是 asarray，都不会出现这些错误。

有谁知道我做错了什么？ PIL 编码黑白图像的方式是否有些奇怪，或者我需要传递 numpy 以使其正确转换的特殊情况？

【问题讨论】：

一个次要问题是我们刚刚发现的转换似乎是抖动的，我们希望有实线。
在这种情况下（不希望抖动），将图像保持为灰度（模式 'L' / dtype np.uint8）并使用 numpy 对它们进行阈值处理可能是最有意义的。例如。 “data = np.array(im); data = data > 127”应该适用于灰度图像，并且完全避免抖动。您也可以在 PIL 中设置阈值，但如果您要转换为 numpy 数组，则使用 numpy 会更容易。无论如何，只是我的想法......祝你好运！

标签： python numpy python-imaging-library

【解决方案1】：

你的 numpy 版本是什么？我发现将 numpy 从 1.21 降级到 1.20 后，它可以工作了。

pip install numpy==1.20

【讨论】：

【解决方案2】：

我相信您在 PIL 中发现了一个错误！（或者可能在 numpy 中，但我敢打赌它是在 PIL 方面......）

@c 上面的答案提供了一种解决方法（使用 im.getdata()），尽管我不确定为什么 numpy.asarry(image) 会为他造成段错误...（旧版本的 PIL 和/或 numpy，也许?) 它适用于我，但会在 1 位 PIL 图像上产生乱码（适用于其他一切，我经常使用它！）。

另一种解决方法是在转换为 numpy 数组之前将 BW 图像转换回灰度（模式“L”）。

如果速度很重要，在转换为 numpy 数组之前将 BW 图像转换回灰度似乎更快。

In [35]: %timeit np.array(im_bw.convert('L')).astype(np.uint8)
10000 loops, best of 3: 28 us per loop

In [36]: %timeit np.reshape(im_bw.getdata(), im_bw.size)
10000 loops, best of 3: 57.3 us per loop

另外，如果您要就地修改数组内容，请务必使用 numpy.array 而不是 numpy.asarray，因为后者将从 PIL 图像实例创建一个数组，而无需复制内存，因此返回一个只读数组。之所以提到这一点，是因为我在下面使用 asarray()...

这是一个确认错误的独立示例...

import numpy as np
import Image

x = np.arange(256, dtype=np.uint8).reshape((16,16))
print 'Created array'
print x

im = Image.fromarray(x)
print 'Vales in grayscale PIL image using numpy.asarray <-- Works as expected'
print np.asarray(im)

print 'Converted to BW PIL image...'
im_bw = im.convert('1')

print 'Values in BW PIL image, using Image.getdata() <-- Works as expected'
print '  (Not a simple threshold due to dithering...)'
# Dividing by 255 to make the comparison easier
print np.reshape(im_bw.getdata(), (16, 16)) / 255 

print 'Values in BW PIL image using numpy.asarray() <-- Unexpected!'
print '   (Same occurs when using numpy.array() to copy and convert.)'
print np.asarray(im_bw).astype(np.uint8) 

print 'Workaround, convert back to type "L" before array conversion'
print np.array(im_bw.convert('L')).astype(np.uint8) / 255

哪些输出：

Created array
[[  0   1   2   3   4   5   6   7   8   9  10  11  12  13  14  15]
 [ 16  17  18  19  20  21  22  23  24  25  26  27  28  29  30  31]
 [ 32  33  34  35  36  37  38  39  40  41  42  43  44  45  46  47]
 [ 48  49  50  51  52  53  54  55  56  57  58  59  60  61  62  63]
 [ 64  65  66  67  68  69  70  71  72  73  74  75  76  77  78  79]
 [ 80  81  82  83  84  85  86  87  88  89  90  91  92  93  94  95]
 [ 96  97  98  99 100 101 102 103 104 105 106 107 108 109 110 111]
 [112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127]
 [128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143]
 [144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159]
 [160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175]
 [176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191]
 [192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207]
 [208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223]
 [224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239]
 [240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255]]

Vales in grayscale PIL image using numpy.asarray <-- Works as expected
[[  0   1   2   3   4   5   6   7   8   9  10  11  12  13  14  15]
 [ 16  17  18  19  20  21  22  23  24  25  26  27  28  29  30  31]
 [ 32  33  34  35  36  37  38  39  40  41  42  43  44  45  46  47]
 [ 48  49  50  51  52  53  54  55  56  57  58  59  60  61  62  63]
 [ 64  65  66  67  68  69  70  71  72  73  74  75  76  77  78  79]
 [ 80  81  82  83  84  85  86  87  88  89  90  91  92  93  94  95]
 [ 96  97  98  99 100 101 102 103 104 105 106 107 108 109 110 111]
 [112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127]
 [128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143]
 [144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159]
 [160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175]
 [176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191]
 [192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207]
 [208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223]
 [224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239]
 [240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255]]

Converted to BW PIL image...

Values in BW PIL image, using Image.getdata() <-- Works as expected
  (Not a simple threshold due to dithering...)
[[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0]
 [0 0 1 0 1 0 1 0 1 0 0 0 1 0 0 0]
 [0 1 0 0 0 0 0 0 0 0 1 0 0 1 0 1]
 [0 0 0 1 0 1 0 1 0 1 0 1 0 0 0 0]
 [1 0 1 0 1 0 1 0 1 0 0 0 1 1 0 1]
 [0 1 0 1 0 0 1 0 0 1 1 0 1 0 1 0]
 [1 0 1 0 1 0 1 1 0 1 0 1 0 1 0 1]
 [0 1 0 1 0 1 0 1 0 1 1 0 1 1 0 1]
 [1 1 0 1 1 1 1 0 1 1 0 1 1 0 1 1]
 [1 0 1 1 0 1 0 1 1 0 1 1 0 1 1 0]
 [1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1]
 [1 0 1 0 1 1 0 1 1 0 1 1 1 0 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]]

Values in BW PIL image using numpy.asarray() <-- Unexpected!
   (Same occurs when using numpy.array() to copy and convert.)
[[0 0 0 0 0 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]
 [0 1 1 1 1 1 1 0 0 0 0 0 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 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 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]]

Workaround, convert back to type "L" before array conversion
[[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0]
 [0 0 1 0 1 0 1 0 1 0 0 0 1 0 0 0]
 [0 1 0 0 0 0 0 0 0 0 1 0 0 1 0 1]
 [0 0 0 1 0 1 0 1 0 1 0 1 0 0 0 0]
 [1 0 1 0 1 0 1 0 1 0 0 0 1 1 0 1]
 [0 1 0 1 0 0 1 0 0 1 1 0 1 0 1 0]
 [1 0 1 0 1 0 1 1 0 1 0 1 0 1 0 1]
 [0 1 0 1 0 1 0 1 0 1 1 0 1 1 0 1]
 [1 1 0 1 1 1 1 0 1 1 0 1 1 0 1 1]
 [1 0 1 1 0 1 0 1 1 0 1 1 0 1 1 0]
 [1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1]
 [1 0 1 0 1 1 0 1 1 0 1 1 1 0 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]]

【讨论】：

我不认为这个错误已经消失了。我仍然在我的树莓派上获得print(np.array(Image.new('1', (4, 2), color=1))) -> [[ True True False False] [False False False False]] 和Image.VERSION 1.1.7 和np.__version__ 1.13.3。但有趣的是，在 Mac OS X 上，我得到了正确的结果：[[ True True True True] [ True True True True]]，两者的版本相同。

【解决方案3】：

不确定这条线：

data = numpy.array(image)

事实上，这给了我一个段错误。但我只是尝试了以下，它工作正常：

import numpy
import Image

im = Image.open("some_photo.jpg")
im = im.convert("1")

pixels = im.getdata() # returns 1D list of pixels
n = len(pixels)
data = numpy.reshape(pixels, im.size) # turn into 2D numpy array

for row in data:
    # do your processing
    pass

# Check that the numpy array's data is good
im2 = Image.new("1", im.size)
im2.putdata(numpy.reshape(data, [n, 1]))
im2.show()

【讨论】：

黑白转换有些奇怪。它没有正确注册边缘。所以我得到了一个大圆圈，而不是一个标志。