作者|Garima Singh
编译|VK
来源|Git Connected
以前照相从来没有那么容易。现在你只需要一部手机。拍照是免费的，如果我们不考虑手机的费用的话。就在上一代人之前，业余艺术家和真正的艺术家如果拍照非常昂贵，并且每张照片的成本也不是免费的。
我们拍照是为了及时保存伟大的时刻，被保存的记忆随时准备在未来被"打开"。
就像腌制东西一样，我们要注意正确的防腐剂。当然，手机也为我们提供了一系列的图像处理软件，但是一旦我们需要处理大量的照片，我们就需要其他的工具。这时，编程和Python就派上用场了。Python及其模块如Numpy、Scipy、Matplotlib和其他特殊模块提供了各种各样的函数，能够处理大量图片。
为了向你提供必要的知识，本章的Python教程将处理基本的图像处理和操作。为此，我们使用模块NumPy、Matplotlib和SciPy。
我们从scipy包misc开始。
# 以下行仅在Python notebook中需要:
%matplotlib inline
from scipy import misc
ascent = misc.ascent()
import matplotlib.pyplot as plt
plt.gray()
plt.imshow(ascent)
plt.show()
除了图像之外，我们还可以看到带有刻度的轴。这可能是非常有趣的，如果你需要一些关于大小和像素位置的方向，但在大多数情况下，你想看到没有这些信息的图像。我们可以通过添加命令plt.axis("off")来去掉刻度和轴:
from scipy import misc
ascent = misc.ascent()
import matplotlib.pyplot as plt
plt.axis("off") # 删除轴和刻度
plt.gray()
plt.imshow(ascent)
plt.show()
我们可以看到这个图像的类型是一个整数数组:
ascent.dtype
输出:
dtype(\'int64\')
我们也可以检查图像的大小:
ascent.shape
输出:
(512,512)
misc包里还有一张浣熊的图片:
import scipy.misc
face = scipy.misc.face()
print(face.shape)
print(face.max)
print(face.dtype)
plt.axis("off")
plt.gray()
plt.imshow(face)
plt.show()
(768, 1024, 3)
<built-in method max of numpy.ndarray object at 0x7f9e70102800>
uint8
import matplotlib.pyplot as plt
matplotlib只支持png图像
img = plt.imread(\'frankfurt.png\')
print(img[:3])
[[[ 0.41176471 0.56862748 0.80000001]
[ 0.40392157 0.56078434 0.79215688]
[ 0.40392157 0.56862748 0.79607844]
...,
[ 0.48235294 0.62352943 0.81960785]
[ 0.47843137 0.627451 0.81960785]
[ 0.47843137 0.62352943 0.82745099]]
[[ 0.40784314 0.56470591 0.79607844]
[ 0.40392157 0.56078434 0.79215688]
[ 0.40392157 0.56862748 0.79607844]
...,
[ 0.48235294 0.62352943 0.81960785]
[ 0.47843137 0.627451 0.81960785]
[ 0.48235294 0.627451 0.83137256]]
[[ 0.40392157 0.56862748 0.79607844]
[ 0.40392157 0.56862748 0.79607844]
[ 0.40392157 0.56862748 0.79607844]
...,
[ 0.48235294 0.62352943 0.81960785]
[ 0.48235294 0.62352943 0.81960785]
[ 0.48627451 0.627451 0.83137256]]]
plt.axis("off")
imgplot = plt.imshow(img)
lum_img = img[:,:,1]
print(lum_img)
[[ 0.56862748 0.56078434 0.56862748 ..., 0.62352943 0.627451
0.62352943]
[ 0.56470591 0.56078434 0.56862748 ..., 0.62352943 0.627451 0.627451 ]
[ 0.56862748 0.56862748 0.56862748 ..., 0.62352943 0.62352943
0.627451 ]
...,
[ 0.31764707 0.32941177 0.32941177 ..., 0.30588236 0.3137255
0.31764707]
[ 0.31764707 0.3137255 0.32941177 ..., 0.3019608 0.32156864
0.33725491]
[ 0.31764707 0.3019608 0.33333334 ..., 0.30588236 0.32156864
0.33333334]]
plt.axis("off")
imgplot = plt.imshow(lum_img)
色彩、色度和色调
现在，我们将展示如何给图像着色。色彩是色彩理论的一种表达，是画家常用的一种技法。想到画家而不想到荷兰是很难想象的。所以在下一个例子中，我们使用荷兰风车的图片。
windmills = plt.imread(\'windmills.png\')
plt.axis("off")
plt.imshow(windmills)
输出:
<matplotlib.image.AxesImage at 0x7f9e77f02f98>
我们现在想给图像着色。我们用白色，这将增加图像的亮度。为此，我们编写了一个Python函数，它接受一个图像和一个百分比值作为参数。设置"百分比"为0不会改变图像，设置为1表示图像将完全变白:
import numpy as np
import matplotlib.pyplot as plt
def tint(imag, percent):
"""
imag: 图像
percent: 0，图像将保持不变，1，图像将完全变白色，值应该在0~1
"""
tinted_imag = imag + (np.ones(imag.shape) - imag) * percent
return tinted_imag
windmills = plt.imread(\'windmills.png\')
tinted_windmills = tint(windmills, 0.8)
plt.axis("off")
plt.imshow(tinted_windmills)
输出:
<matplotlib.image.AxesImage at 0x7f9e6cd99978>
阴影是一种颜色与黑色的混合，它减少了亮度。
import numpy as np
import matplotlib.pyplot as plt
def shade(imag, percent):
"""
imag: 图像
percent: 0，图像将保持不变，1，图像将完全变黑，值应该在0~1
"""
tinted_imag = imag * (1 - percent)
return tinted_imag
windmills = plt.imread(\'windmills.png\')
tinted_windmills = shade(windmills, 0.7)
plt.imshow(tinted_windmills)
输出:
<matplotlib.image.AxesImage at 0x7f9e6cd20048>
def vertical_gradient_line(image, reverse=False):
"""
我们创建一个垂直梯度线。形状 (1, image.shape[1], 3))
如果reverse为False，则值从0增加到1，
否则，值将从1递减到0。
"""
number_of_columns = image.shape[1]
if reverse:
C = np.linspace(1, 0, number_of_columns)
else:
C = np.linspace(0, 1, number_of_columns)
C = np.dstack((C, C, C))
return C
horizontal_brush = vertical_gradient_line(windmills)
tinted_windmills = windmills * horizontal_brush
plt.axis("off")
plt.imshow(tinted_windmills)
输出:
<matplotlib.image.AxesImage at 0x7f9e6ccb3d68>
现在，我们将通过将Python函数的reverse参数设置为“True”来从右向左着色图像：
def vertical_gradient_line(image, reverse=False):
"""
我们创建一个水平梯度线。形状 (1, image.shape[1], 3))
如果reverse为False，则值从0增加到1，
否则，值将从1递减到0。
"""
number_of_columns = image.shape[1]
if reverse:
C = np.linspace(1, 0, number_of_columns)
else:
C = np.linspace(0, 1, number_of_columns)
C = np.dstack((C, C, C))
return C
horizontal_brush = vertical_gradient_line(windmills, reverse=True)
tinted_windmills = windmills * horizontal_brush
plt.axis("off")
plt.imshow(tinted_windmills)
输出:
<matplotlib.image.AxesImage at 0x7f9e6cbc82b0>
def horizontal_gradient_line(image, reverse=False):
"""
我们创建一个垂直梯度线。形状(image.shape[0], 1, 3))
如果reverse为False，则值从0增加到1，
否则，值将从1递减到0。
"""
number_of_rows, number_of_columns = image.shape[:2]
C = np.linspace(1, 0, number_of_rows)
C = C[np.newaxis,:]
C = np.concatenate((C, C, C)).transpose()
C = C[:, np.newaxis]
return C
vertical_brush = horizontal_gradient_line(windmills)
tinted_windmills = windmills
plt.imshow(tinted_windmills)
输出:
<matplotlib.image.AxesImage at 0x7f9e6cb52390>
色调是由一种颜色与灰色的混合产生的，或由着色和阴影产生的。
charlie = plt.imread(\'Chaplin.png\')
plt.gray()
print(charlie)
plt.imshow(charlie)
[[ 0.16470589 0.16862746 0.17647059 ..., 0. 0. 0. ]
[ 0.16078432 0.16078432 0.16470589 ..., 0. 0. 0. ]
[ 0.15686275 0.15686275 0.16078432 ..., 0. 0. 0. ]
...,
[ 0. 0. 0. ..., 0. 0. 0. ]
[ 0. 0. 0. ..., 0. 0. 0. ]
[ 0. 0. 0. ..., 0. 0. 0. ]]
输出：
<matplotlib.image.AxesImage at 0x7f9e70047668>
给灰度图像着色:http://scikit-image.org/docs/dev/auto_examples/plot_tinting_grayscale_images.html
在下面的示例中，我们将使用不同的颜色映射。颜色映射可以在matplotlib.pyplot.cm.datad中找到:
plt.cm.datad.keys()
输出：
dict_keys([\'afmhot\', \'autumn\', \'bone\', \'binary\', \'bwr\', \'brg\', \'CMRmap\', \'cool\', \'copper\', \'cubehelix\', \'flag\', \'gnuplot\', \'gnuplot2\', \'gray\', \'hot\', \'hsv\', \'jet\', \'ocean\', \'pink\', \'prism\', \'rainbow\', \'seismic\', \'spring\', \'summer\', \'terrain\', \'winter\', \'nipy_spectral\', \'spectral\', \'Blues\', \'BrBG\', \'BuGn\', \'BuPu\', \'GnBu\', \'Greens\', \'Greys\', \'Oranges\', \'OrRd\', \'PiYG\', \'PRGn\', \'PuBu\', \'PuBuGn\', \'PuOr\', \'PuRd\', \'Purples\', \'RdBu\', \'RdGy\', \'RdPu\', \'RdYlBu\', \'RdYlGn\', \'Reds\', \'Spectral\', \'YlGn\', \'YlGnBu\', \'YlOrBr\', \'YlOrRd\', \'gist_earth\', \'gist_gray\', \'gist_heat\', \'gist_ncar\', \'gist_rainbow\', \'gist_stern\', \'gist_yarg\', \'coolwarm\', \'Wistia\', \'Accent\', \'Dark2\', \'Paired\', \'Pastel1\', \'Pastel2\', \'Set1\', \'Set2\', \'Set3\', \'tab10\', \'tab20\', \'tab20b\', \'tab20c\', \'Vega10\', \'Vega20\', \'Vega20b\', \'Vega20c\', \'afmhot_r\', \'autumn_r\', \'bone_r\', \'binary_r\', \'bwr_r\', \'brg_r\', \'CMRmap_r\', \'cool_r\', \'copper_r\', \'cubehelix_r\', \'flag_r\', \'gnuplot_r\', \'gnuplot2_r\', \'gray_r\', \'hot_r\', \'hsv_r\', \'jet_r\', \'ocean_r\', \'pink_r\', \'prism_r\', \'rainbow_r\', \'seismic_r\', \'spring_r\', \'summer_r\', \'terrain_r\', \'winter_r\', \'nipy_spectral_r\', \'spectral_r\', \'Blues_r\', \'BrBG_r\', \'BuGn_r\', \'BuPu_r\', \'GnBu_r\', \'Greens_r\', \'Greys_r\', \'Oranges_r\', \'OrRd_r\', \'PiYG_r\', \'PRGn_r\', \'PuBu_r\', \'PuBuGn_r\', \'PuOr_r\', \'PuRd_r\', \'Purples_r\', \'RdBu_r\', \'RdGy_r\', \'RdPu_r\', \'RdYlBu_r\', \'RdYlGn_r\', \'Reds_r\', \'Spectral_r\', \'YlGn_r\', \'YlGnBu_r\', \'YlOrBr_r\', \'YlOrRd_r\', \'gist_earth_r\', \'gist_gray_r\', \'gist_heat_r\', \'gist_ncar_r\', \'gist_rainbow_r\', \'gist_stern_r\', \'gist_yarg_r\', \'coolwarm_r\', \'Wistia_r\', \'Accent_r\', \'Dark2_r\', \'Paired_r\', \'Pastel1_r\', \'Pastel2_r\', \'Set1_r\', \'Set2_r\', \'Set3_r\', \'tab10_r\', \'tab20_r\', \'tab20b_r\', \'tab20c_r\', \'Vega10_r\', \'Vega20_r\', \'Vega20b_r\', \'Vega20c_r\'])
import numpy as np
import matplotlib.pyplot as plt
charlie = plt.imread(\'Chaplin.png\')
# colormaps plt.cm.datad
# cmaps = set(plt.cm.datad.keys())
cmaps = {\'afmhot\', \'autumn\', \'bone\', \'binary\', \'bwr\', \'brg\',
\'CMRmap\', \'cool\', \'copper\', \'cubehelix\', \'Greens\'}
X = [ (4,3,1, (1, 0, 0)), (4,3,2, (0.5, 0.5, 0)), (4,3,3, (0, 1, 0)),
(4,3,4, (0, 0.5, 0.5)), (4,3,(5,8), (0, 0, 1)), (4,3,6, (1, 1, 0)),
(4,3,7, (0.5, 1, 0) ), (4,3,9, (0, 0.5, 0.5)),
(4,3,10, (0, 0.5, 1)), (4,3,11, (0, 1, 1)), (4,3,12, (0.5, 1, 1))]
fig = plt.figure(figsize=(6, 5))
#fig.subplots_adjust(bottom=0, left=0, top = 0.975, right=1)
for nrows, ncols, plot_number, factor in X:
sub = fig.add_subplot(nrows, ncols, plot_number)
sub.set_xticks([])
plt.colors()
sub.imshow(charlie*0.0002, cmap=cmaps.pop())
sub.set_yticks([])
#fig.show()
原文链接：https://levelup.gitconnected.com/image-processing-in-python-b5e3e11e1413
欢迎关注磐创AI博客站：
http://panchuang.net/
sklearn机器学习中文官方文档：
http://sklearn123.com/
欢迎关注磐创博客资源汇总站：
http://docs.panchuang.net/