质量、速度、廉价，选择其中两个

提到图像处理第一个想到的库就是PIL，全称Python Imaging Library Python，图像处理类库，它提供了大量的图像操作，比如图像缩放，裁剪，贴图，模糊等等，很多时候它需要配合numpy库一起使用

1.open()

你可以使用Image.open打开一个图像文件，它会返回PIL图像对象

image = Image.open(image_address)

2.covert()

你可以 covert() 方法转换图像格式，covert() 有三种传参方式

im.convert(mode) ⇒ image

im.convert(“P”, **options) ⇒ image

im.convert(mode, matrix) ⇒ image

最常用的还是第一种，通过该方法你可以将PIL图像转换成九种不同的格式，分别1，L，P，RGB，RGBA，CMYK，YCbCr，I，F。

1.模式“1”

模式“1”为二值图像，非黑即白。但是它每个像素用8个bit表示，0表示黑，255表示白。

2.模式“L”

模式”L”为灰色图像，它的每个像素用8个bit表示，0表示黑，255表示白，其他数字表示不同的灰度。在PIL中，从模式“RGB”转换为“L”模式是按照下面的公式转换的：

L = R * 299/1000 + G * 587/1000+ B * 114/1000

3.模式“p”

模式“P”为8位彩色图像，它的每个像素用8个bit表示，其对应的彩色值是按照调色板查询出来的。

4.模式“RGBA”

模式“RGBA”为32位彩色图像，它的每个像素用32个bit表示，其中24bit表示红色、绿色和蓝色三个通道，另外8bit表示alpha通道，即透明通道。

5.模式“CMYK”

模式“CMYK”为32位彩色图像，它的每个像素用32个bit表示。模式“CMYK”就是印刷四分色模式，它是彩色印刷时采用的一种套色模式，利用色料的三原色混色原理，加上黑色油墨，共计四种颜色混合叠加，形成所谓“全彩印刷”。

四种标准颜色是：C：Cyan = 青色，又称为‘天蓝色’或是‘湛蓝’M：Magenta = 品红色，又称为‘洋红色’；Y：Yellow = 黄色；K：Key Plate(blacK) = 定位套版色（黑色）。

6.模式“YCbCr”

模式“YCbCr”为24位彩色图像，它的每个像素用24个bit表示。YCbCr其中Y是指亮度分量，Cb指蓝色色度分量，而Cr指红色色度分量。人的肉眼对视频的Y分量更敏感，因此在通过对色度分量进行子采样来减少色度分量后，肉眼将察觉不到的图像质量的变化。

模式“RGB”转换为“YCbCr”的公式如下：

Y= 0.257*R+0.504*G+0.098*B+16
Cb = -0.148*R-0.291*G+0.439*B+128
Cr = 0.439*R-0.368*G-0.071*B+128

7.模式“I”

模式“I”为32位整型灰色图像，它的每个像素用32个bit表示，0表示黑，255表示白，(0,255)之间的数字表示不同的灰度。在PIL中，从模式“RGB”转换为“I”模式是按照下面的公式转换的：

I = R * 299/1000 + G * 587/1000 + B * 114/1000

8.模式“F”

模式“F”为32位浮点灰色图像，它的每个像素用32个bit表示，0表示黑，255表示白，(0,255)之间的数字表示不同的灰度。在PIL中，从模式“RGB”转换为“F”模式是按照下面的公式转换的：

F = R * 299/1000+ G * 587/1000 + B * 114/1000

3.调整尺寸、创建缩略图、裁剪、贴图、旋转

PIL库给我们提供了丰富基本图像操作，如果你想调整一张图片的尺寸，你可以使用resize()方法，该方法需要传入你指定新图像宽高的元组

img = img.resize((128,128))

如果你想创建一张图片的缩略图，你可以使用thumbnail()方法，该方法需要传入缩略图的宽高元组

img=img.thumbnail((128,128))

如果你想对一张图片的一部分进行裁剪，你可以使用crop()方法，该方法需要你传入一个元组，该元组指定裁剪区域的左上角坐标和右下角坐标

box = (100,100,400,400)
img = img.crop(box)

如果你想把一张图片覆盖在另一个图片的上面，你可以使用paste()方法，该方法需要传入要贴的图片和位置（左上角坐标和右下角坐标）

img2=img2.paste(img1,(100,100,200,200))

如果你想要旋转一张图片，你可以使用transpose()方法，该方法传入旋转角度

img = img.transpose(Image.ROTATE_180)

不过这些角度很受限制，只可以传下面之中的一个

```
PIL.Image.FLIP_LEFT_RIGHT 
```
```
PIL.Image.FLIP_TOP_BOTTOM
```
```
PIL.Image.ROTATE_90
```
```
PIL.Image.ROTATE_180
```
```
PIL.Image.ROTATE_270
```
```
PIL.Image.TRANSPOSE
```
```
PIL.Image.TRANSVERSE
```

你也可以使用rotate()方法，该方法更为简单方便，只需要传入一个旋转角度即可

image = image.rotate(45)

4.Numpy

对图像进行变换其实就是对矩阵进行变换，我们需要把一张图片转换成矩阵再进行操作，使用array()方法

image = Image.open(image_address)
imageArray = array(image)

1.反向处理与二值化

图像一般都是三通道的，也就是红绿蓝，他们的值从0-255，所谓反相处理呢，就是把颜色反过来

imageArray = 255 - imageArray

图像的二值化也很简单，0-255以128为分界，小于128置为0否则置为1

imageArray = 1 * (imageArray < 128)

2.像素值限制范围

如果你想把一个图像的像素值都限制到一个范围内，比如说你想把像素值限制到100-200这个区间上，你可以这么干

imageArray = (100.0 / 255) * imageArray + 100

3.像素值求平方

imageArray = 255.0 * (imageArray / 255.0) ** 2

4.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。

在这种情况下，直方图均衡化的变换函数是图像中像素值的累积分布函数（cumulative distribution function，简写为 cdf，将像素值的范围映射到目标范围的归一化操作）

def histeq(im,nbr_bins=256):""" 对一幅灰度图像进行直方图均衡化"""# 计算图像的直方图imhist,bins = histogram(im.flatten(),nbr_bins,normed=True)cdf = imhist.cumsum()# cumulative distribution functioncdf = 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), cdf

该函数有两个输入参数，一个是灰度图像，一个是直方图中使用小区间的数目。函数返回直方图均衡化后的图像，以及用来做像素值映射的累积分布函数。注意，函数中使用到累积分布函数的最后一个元素（下标为 -1），目的是将其归一化到 0...1 范围。

直方图均衡化后图像可以使对比度增强，使原先图像灰色区域的细节变得更清晰

5.多种滤波

gaussian滤波是多维的滤波器，是一种平滑滤波，可以消除高斯噪声

通过调节sigma的值来调整滤波效果

imageArray = filters.gaussian_filter(imageArray, 5)

sobel算子可用来检测边缘

edges = filters.sobel(img)

roberts算子、scharr算子、prewitt算子和sobel算子一样，用于检测边缘

edges = filters.roberts(img)
edges = filters.scharr(img)
edges = filters.prewitt(img)

canny算子也是用于提取边缘特征，但它不是放在filters模块，而是放在feature模块

edges1 = feature.canny(img)   #sigma=1
edges2 = feature.canny(img,sigma=3)   #sigma=3

gabor滤波可用来进行边缘检测和纹理特征提取。

通过修改frequency值来调整滤波效果，返回一对边缘结果，一个是用真实滤波核的滤波结果，一个是想象的滤波核的滤波结果。

filt_real, filt_imag = filters.gabor_filter(img,frequency=0.6)

6.PCA

PCA（Principal Component Analysis，主成分分析）是一个非常有用的降维技巧。它可以在使用尽可能少维数的前提下，尽量多地保持训练数据的信息，在此意义上是一个最佳技巧。即使是一幅 100×100 像素的小灰度图像，也有 10 000 维，可以看成 10 000 维空间中的一个点。一兆像素的图像具有百万维。由于图像具有很高的维数，在许多计算机视觉应用中，我们经常使用降维操作。PCA 产生的投影矩阵可以被视为将原始坐标变换到现有的坐标系，坐标系中的各个坐标按照重要性递减排列。

为了对图像数据进行 PCA 变换，图像需要转换成一维向量表示。我们可以使用 NumPy 类库中的 flatten() 方法进行变换。

将变平的图像堆积起来，我们可以得到一个矩阵，矩阵的一行表示一幅图像。在计算主方向之前，所有的行图像按照平均图像进行了中心化。我们通常使用 SVD（Singular Value Decomposition，奇异值分解）方法来计算主成分；但当矩阵的维数很大时，SVD 的计算非常慢，所以此时通常不使用 SVD 分解。下面就是 PCA 操作的代码：

def pca(X):""" 主成分分析：    输入：矩阵X ，其中该矩阵中存储训练数据，每一行为一条训练数据返回：投影矩阵（按照维度的重要性排序）、方差和均值"""# 获取维数num_data,dim = X.shape# 数据中心化mean_X = X.mean(axis=0)X = X - mean_Xif dim<num_data:# PCA- 使用紧致技巧M = dot(X,X.T)# 协方差矩阵e,EV = linalg.eigh(M)# 特征值和特征向量tmp = dot(X.T,EV).T# 这就是紧致技巧V = tmp[::-1]# 由于最后的特征向量是我们所需要的，所以需要将其逆转S = sqrt(e)[::-1]# 由于特征值是按照递增顺序排列的，所以需要将其逆转for i in range(V.shape[1]):V[:,i] /= Selse:# PCA- 使用SVD 方法U,S,V = linalg.svd(X)V = V[:num_data]# 仅仅返回前nun_data 维的数据才合理#  返回投影矩阵、方差和均值return V,S,mean_X

7.图像添加噪声和降噪

添加噪声比降噪简单得多，只需要把图像矩阵上面随机加一些值就好了

imageArray = imageArray + 30 * random.standard_normal(imageArray.shape)

图像降噪是在去除图像噪声的同时，尽可能地保留图像细节和结构的处理技术，我们这里使用 ROF去燥模型

一幅（灰度）图像 I 的全变差（Total Variation，TV）定义为梯度范数之和。在连续表示的情况下，全变差表示为：

$J(\boldsymbol{I})=\int\left|\nabla\boldsymbol{I}\right|\text{dx}$ 　

在离散表示的情况下，全变差表示为：

$J(\boldsymbol{I})=\sum_{\text{x}}\left|\nabla\boldsymbol{I}\right|$

其中，上面的式子是在所有图像坐标 x=[x, y] 上取和。

在 Chambolle 提出的 ROF 模型里，目标函数为寻找降噪后的图像 U，使下式最小：

$\min_U\left|\left|\boldsymbol{I}-\boldsymbol{U}\right|\right|^2+2\lambda J(\boldsymbol{U}),$

其中范数 ||I-U|| 是去噪后图像 U 和原始图像 I 差异的度量。也就是说，本质上该模型使去噪后的图像像素值“平坦”变化，但是在图像区域的边缘上，允许去噪后的图像像素值“跳跃”变化。

def denoise(im,U_init,tolerance=0.1,tau=0.125,tv_weight=100):""" 使用A. Chambolle（2005）在公式（11）中的计算步骤实现Rudin-Osher-Fatemi（ROF）去噪模型输入：含有噪声的输入图像（灰度图像）、U 的初始值、TV 正则项权值、步长、停业条件输出：去噪和去除纹理后的图像、纹理残留"""m,n = im.shape # 噪声图像的大小#  初始化U = U_initPx = im # 对偶域的x 分量Py = im # 对偶域的y 分量error = 1while (error > tolerance):Uold = U# 原始变量的梯度GradUx = roll(U,-1,axis=1)-U # 变量U 梯度的x 分量GradUy = roll(U,-1,axis=0)-U # 变量U 梯度的y 分量#  更新对偶变量PxNew = Px + (tau/tv_weight)*GradUxPyNew = Py + (tau/tv_weight)*GradUyNormNew = maximum(1,sqrt(PxNew**2+PyNew**2))Px = PxNew/NormNew # 更新x 分量（对偶）Py = PyNew/NormNew # 更新y 分量（对偶）#  更新原始变量RxPx = roll(Px,1,axis=1) # 对x 分量进行向右x 轴平移RyPy = roll(Py,1,axis=0) # 对y 分量进行向右y 轴平移DivP = (Px-RxPx)+(Py-RyPy) # 对偶域的散度U = im + tv_weight*DivP # 更新原始变量#  更新误差error = linalg.norm(U-Uold)/sqrt(n*m);return U,im-U  # 去噪后的图像和纹理残余

5.Matplotlib

我们队图像进行处理之后往往需要知道处理后变化如何，该库便可以方便地绘制出条形图，饼状图等等呢个图像，还可在上面添加标记等等

尽管 Matplotlib 可以绘制出较好的条形图、饼状图、散点图等，但是对于大多数计算机视觉应用来说，仅仅需要用到几个绘图命令。最重要的是，我们想用点和线来表示一些事物，比如兴趣点、对应点以及检测出的物体。下面是用几个点和一条线绘制图像的例子：

from PIL import Image
from pylab import *# 读取图像到数组中
im = array(Image.open('empire.jpg'))# 绘制图像
imshow(im)# 一些点
x = [100,100,400,400]
y = [200,500,200,500]# 使用红色星状标记绘制点
plot(x,y,'r*')# 绘制连接前两个点的线
plot(x[:2],y[:2])# 添加标题，显示绘制的图像
title('Plotting: "empire.jpg"')
show()

上面的代码首先绘制出原始图像，然后在 x 和 y 列表中给定点的 x 坐标和 y 坐标上绘制出红色星状标记点，最后在两个列表表示的前两个点之间绘制一条线段（默认为蓝色）。该例子的绘制结果如图 1-2 所示。show() 命令首先打开图形用户界面（GUI），然后新建一个图像窗口。该图形用户界面会循环阻断脚本，然后暂停，直到最后一个图像窗口关闭。在每个脚本里，你只能调用一次 show() 命令，而且通常是在脚本的结尾调用。注意，在 PyLab 库中，我们约定图像的左上角为坐标原点。

图像的坐标轴是一个很有用的调试工具；但是，如果你想绘制出较美观的图像，加上下列命令可以使坐标轴不显示：

axis('off')

下面是我写的一个图像处理的脚本

import PIL.Image as Image
import os
from pylab import *
from numpy import *
from scipy.ndimage import filters
from scipy.ndimage import measurements,morphologydef get_imlist(path):# 一级文件夹下有用# return [os.path.join(path, f) for f in os.listdir(path) if f.endswith('.jpg')]g = os.walk(path)image_list=[]for path, d, filelist in g:for filename in filelist:if filename.endswith('jpg'):image_list.append(os.path.join(path, filename))return image_listdef histeq(im,nbr_bins=256):""" 对一幅灰度图像进行直方图均衡化"""# 计算图像的直方图imhist,bins = histogram(im.flatten(),nbr_bins,normed=True)cdf = imhist.cumsum()# cumulative distribution functioncdf = 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), cdfdef pca(X):""" 主成分分析：    输入：矩阵X ，其中该矩阵中存储训练数据，每一行为一条训练数据返回：投影矩阵（按照维度的重要性排序）、方差和均值"""# 获取维数num_data,dim = X.shape# 数据中心化mean_X = X.mean(axis=0)X = X - mean_Xif dim<num_data:# PCA- 使用紧致技巧M = dot(X,X.T)# 协方差矩阵e,EV = linalg.eigh(M)# 特征值和特征向量tmp = dot(X.T,EV).T# 这就是紧致技巧V = tmp[::-1]# 由于最后的特征向量是我们所需要的，所以需要将其逆转S = sqrt(e)[::-1]# 由于特征值是按照递增顺序排列的，所以需要将其逆转for i in range(V.shape[1]):V[:,i] /= Selse:# PCA- 使用SVD 方法U,S,V = linalg.svd(X)V = V[:num_data]# 仅仅返回前nun_data 维的数据才合理#  返回投影矩阵、方差和均值return V,S,mean_Xdef denoise(im,U_init,tolerance=0.1,tau=0.125,tv_weight=100):""" 使用A. Chambolle（2005）在公式（11）中的计算步骤实现Rudin-Osher-Fatemi（ROF）去噪模型输入：含有噪声的输入图像（灰度图像）、U 的初始值、TV 正则项权值、步长、停业条件输出：去噪和去除纹理后的图像、纹理残留"""m,n = im.shape # 噪声图像的大小#  初始化U = U_initPx = im # 对偶域的x 分量Py = im # 对偶域的y 分量error = 1while (error > tolerance):Uold = U# 原始变量的梯度GradUx = roll(U,-1,axis=1)-U # 变量U 梯度的x 分量GradUy = roll(U,-1,axis=0)-U # 变量U 梯度的y 分量#  更新对偶变量PxNew = Px + (tau/tv_weight)*GradUxPyNew = Py + (tau/tv_weight)*GradUyNormNew = maximum(1,sqrt(PxNew**2+PyNew**2))Px = PxNew/NormNew # 更新x 分量（对偶）Py = PyNew/NormNew # 更新y 分量（对偶）#  更新原始变量RxPx = roll(Px,1,axis=1) # 对x 分量进行向右x 轴平移RyPy = roll(Py,1,axis=0) # 对y 分量进行向右y 轴平移DivP = (Px-RxPx)+(Py-RyPy) # 对偶域的散度U = im + tv_weight*DivP # 更新原始变量#  更新误差error = linalg.norm(U-Uold)/sqrt(n*m);return U,im-U  # 去噪后的图像和纹理残余image_list = get_imlist("G:\\最后两种\\")index=6858
for image_address in image_list:index = index + 1dealIndex=0for x in range(1,17):image = Image.open(image_address)imageArray = array(image)dealIndex+=1if x==1:# 反相处理imageArray = 255 - imageArrayprint("第"+str(index)+"张 反向处理")elif x==2:# 将图像像素值变换到100...200 区间imageArray = (100.0 / 255) * imageArray + 100print("第" + str(index) + "张 像素值变换")elif x==3:# 对图像像素值求平方后得到的图像imageArray = 255.0 * (imageArray / 255.0) ** 2print("第" + str(index) + "张 像素值求平方")elif x==4:# 图像旋转image = image.rotate(random.randint(0,360))imageArray=array(image)print("第" + str(index) + "张 图像旋转")elif x==5:# 直方图均衡化imageArray,cdf=histeq(imageArray)print("第" + str(index) + "张 直方图均衡化")elif x==6:# gaussian滤波imageArray = filters.gaussian_filter(imageArray, 5)print("第" + str(index) + "张 gaussian滤波")elif x==7:# Sobel 导数滤波器imx = zeros(imageArray.shape)filters.sobel(imageArray, 1, imx)imy = zeros(imageArray.shape)filters.sobel(imageArray, 0, imy)magnitude = sqrt(imx ** 2 + imy ** 2)imageArray=magnitudeprint("第" + str(index) + "张  Sobel导数滤波器")elif x==8:# 噪声imageArray = imageArray + 30 * random.standard_normal(imageArray.shape)print("第" + str(index) + "张  噪声")elif x==9:# 反相处理+像素值变换imageArray = 255 - imageArrayimageArray = (100.0 / 255) * imageArray + 100print("第" + str(index) + "张  反相处理+像素值变换")elif x==10:# 反相处理+像素值求平方imageArray = 255 - imageArrayimageArray = 255.0 * (imageArray / 255.0) ** 2print("第" + str(index) + "张  反相处理+像素值求平方")elif x==11:# 像素值求平方+反相处理imageArray = 255.0 * (imageArray / 255.0) ** 2imageArray = 255 - imageArrayprint("第" + str(index) + "张  像素值求平方+反相处理")elif x==12:# 像素值变换+像素值求平方imageArray = (100.0 / 255) * imageArray + 100imageArray = 255.0 * (imageArray / 255.0) ** 2print("第" + str(index) + "张  像素值变换+像素值求平方")elif x==13:# 图像旋转+反相image = image.rotate(random.randint(0, 360))imageArray = array(image)imageArray = 255 - imageArrayprint("第" + str(index) + "张  图像旋转+反相")elif x==14:# 图像旋转+噪声image = image.rotate(random.randint(0, 360))imageArray = array(image)imageArray = imageArray + 30 * random.standard_normal(imageArray.shape)print("第" + str(index) + "张  图像旋转+噪声")elif x==15:# 噪声+直方图均衡化imageArray = imageArray + 30 * random.standard_normal(imageArray.shape)imageArray, cdf = histeq(imageArray)print("第" + str(index) + "张  噪声+直方图均衡化")imageArray = uint8(imageArray)image=Image.fromarray(imageArray)image = image.convert('RGB')if image_address.rfind("不规则")!= -1:image.save("G:\\兔屎图片_二次处理\\不规则\\" + str(index)+"_"+str(dealIndex) + ".jpg")elif image_address.rfind("大小不一") != -1:image.save("G:\\兔屎图片_二次处理\\大小不一\\" + str(index) +"_"+str(dealIndex)+ ".jpg")elif image_address.rfind("拉稀") != -1:image.save("G:\\兔屎图片_二次处理\\拉稀\\" + str(index) +"_"+str(dealIndex)+ ".jpg")elif image_address.rfind("正常") != -1:image.save("G:\\兔屎图片_二次处理\\正常\\" + str(index) +"_"+str(dealIndex)+ ".jpg")print("完事一个")

参考文章：https://www.cnblogs.com/xk-bench/p/7825290.html

教你用Python做图像处理相关推荐

干货 | 用Python做图像处理：图像导数实战
导读:数量庞大的图像和视频充斥着我们的生活.我们需要对图片进行检索.分类等操作时,利用人工手段显然是不现实的.于是,计算机视觉相关技术便应运而生,并且得到了快速的发展.本文以时下最流行的Python语 ...
python代码示例图形-纯干货：手把手教你用Python做数据可视化（附代码）
原标题:纯干货:手把手教你用Python做数据可视化(附代码) 导读:制作提供信息的可视化(有时称为绘图)是数据分析中的最重要任务之一.可视化可能是探索过程的一部分,例如,帮助识别异常值或所需的数据转 ...
python画图代码大全-纯干货：手把手教你用Python做数据可视化（附代码）
原标题:纯干货:手把手教你用Python做数据可视化(附代码) 导读:制作提供信息的可视化(有时称为绘图)是数据分析中的最重要任务之一.可视化可能是探索过程的一部分,例如,帮助识别异常值或所需的数据转 ...
手机python软件怎么下载词云_从零开始教你用 Python 做词云
原标题:从零开始教你用 Python 做词云雷锋网按:本文作者王树义,原载于微信公众号玉树芝兰(nkwangshuyi),雷锋网经授权发布. 临渊羡鱼,不如退而结网.我们步步为营,从头开始帮助你用P ...
用Python做图像处理
用Python做图像处理最近在做一件比较 evil 的事情--验证码识别,以此来学习一些新的技能.因为我是初学,对图像处理方面就不太了解了,欲要利吾事,必先利吾器,既然只是做一下实验, ...
python模型预测_【超级干货！】教你用Python做回归模型预测房价
原标题:[超级干货!]教你用Python做回归模型预测房价欢迎关注天善智能 hellobi.com,我们是专注于商业智能BI,大数据,数据分析领域的垂直社区,学习.问答.求职,一站式搞定! 对商业智 ...
12岁的少年教你用Python做小游戏
首页资讯文章频道资源小组相亲登录注册首页最新文章经典回顾开发设计 IT技术职场业界极客创业访谈在国外 - 导航条 -首页最新文章经典回顾开发- Web前端- Py ...
python做图像处理快不快_Python 图像读写谁最快？不信就比一比
图像处理,顾名思义,是对图像进行的各种转换.计算等处理.图像处理必不可少地需要读写图像文件. 图像文件的读取,就是将图像数据从磁盘中的文件内读入内存,之后按照图像解码标准解码,最后把图像各像素的值存储 ...
手把手教你用Python做个可视化的“剪刀石头布”小游戏
点击上方"Python爬虫与数据挖掘",进行关注回复"书籍"即可获赠Python从入门到进阶共10本电子书今日鸡汤众里寻他千百度.蓦然回首,那人却在 ...

教你用Python做图像处理