by 閒歡
上節我們講了 Python 的圖像處理庫 PIL 的基本圖像處理功能，打開了 PIL 的神祕面紗。這節我們接着講 PIL 的 Image 模塊的常用方法。
Image 模塊的方法
convert
Image.convert(mode=None, matrix=None, dither=None, palette=0, colors=256)
參數說明：
- mode：轉換的模式
- matrix：可選轉變矩陣。如果給出，必須爲包含浮點值長爲 4 或 12 的元組。
- dither：抖動方法。RGB 轉換爲 P；RGB 或 L 轉換爲 1 時使用。有 matrix 參數可以無 dither。參數值 NONE 或 FLOYDSTEINBERG（默認）。
- palette：調色板，在 RGB 轉換爲 P 時使用， 值爲 WEB 或 ADAPTIVE 。
- colors：調色板的顏色值，默認 256.
轉換圖片模式，它支持每種模式轉換爲"L" 、 "RGB"和 "CMYK"。
有 matrix 參數只能轉換爲"L" 或 "RGB"。
當模式之間不能轉換時，可以先轉換 RGB 模式，然後在轉換。
色彩模式轉換爲 L 模式計算公式
如下：
L = R * 299/1000 + G * 587/1000 + B * 114/1000
我們一般使用時，只用傳需要轉換的 mode 即可，其他的可選參數需要先理解圖片深層次的原理後纔可以理解，大家如果感興趣可以去深入瞭解一下。下面我們來看一個簡單實例：
from PIL import Image
im = Image.open('cat.png')
im.show()
# 將圖像轉換成黑白色並返回新圖像
im1 = im.convert('L')
im1.show()
我們將一個圖像轉換成 L模式（灰色），轉換結果如下圖所示：
copy
Image.copy()
複製圖像方法，該方法完全複製一個一模一樣的圖像，很好理解，我們就不舉例說明了。
crop
Image.crop(box)
參數說明：
- box：相對圖像左上角座標爲（0,0）的矩形座標元組, 順序爲(左, 上, 右, 下)
該方法從圖像中獲取 box 矩形區域的圖像，相當於從圖像中摳一個矩形區域出來。我們來看例子：
from PIL import Image
im = Image.open('cat.jpg')
print(im.size)
im.show()
# 定義了圖像的座標位置，從左、上、右、下
box = (100, 100, 250, 250)
# 它會從左上角開始，同時向下和向右移動100像素的位置開始截取250-100的像素寬高，也就是150x150的圖像
# 這裏注意後兩個數值要大於前兩個數值，不然截取後的圖像寬高爲負數，會報錯
region = im.crop(box)
print(region.size)
region.show()
# 輸出結果
(451, 300)
(150, 150)
我們從 cat.jpg 這張圖片中截取了 150x150 的圖像，從打印結果可以看到截取前和截取後的圖像大小。兩張圖像的對比如下圖：
filter
Image.filter(filter)
參數說明：
- filter：過濾內核
使用給定的篩選器篩選此圖像。有關可用篩選器的列表：
| 篩選器名稱 | 說明 |
|---|---|
| BLUR | 模糊濾波，處理之後的圖像會整體變得模糊。 |
| CONTOUR | 輪廓濾波，將圖像中的輪廓信息全部提取出來。 |
| DETAIL | 細節增強濾波，會使得圖像中細節更加明顯。 |
| EDGE_ENHANCE | 邊緣增強濾波，突出、加強和改善圖像中不同灰度區域之間的邊界和輪廓的圖像增強方法。 |
| EDGE_ENHANCE_MORE | 深度邊緣增強濾波，會使得圖像中邊緣部分更加明顯。 |
| EMBOSS | 浮雕濾波，會使圖像呈現出浮雕效果。 |
| FIND_EDGES | 尋找邊緣信息的濾波，會找出圖像中的邊緣信息。 |
| SHARPEN | 銳化濾波，補償圖像的輪廓，增強圖像的邊緣及灰度跳變的部分，使圖像變得清晰。 |
| SMOOTH | 平滑濾波，突出圖像的寬大區域、低頻成分、主幹部分或抑制圖像噪聲和干擾高頻成分，使圖像亮度平緩漸變，減小突變梯度，改善圖像質量。 |
| SMOOTH_MORE | 深度平滑濾波，會使得圖像變得更加平滑。 |
看到這些，大家是不是聯想到我們手機上一些 APP 的圖像處理功能了，其實那些功能的實現方式跟我們這裏講的方法是一樣的。我們來看個例子：
from PIL import Image
from PIL import ImageFilter
im = Image.open('flower.jpg')
im.show()
# 模糊
im2 = im.filter(ImageFilter.BLUR)
im2.show()
# 輪廓濾波
im3 = im.filter(ImageFilter.CONTOUR)
im3.show()
# 細節增強
im4 = im.filter(ImageFilter.DETAIL)
im4.show()
我們分別對原圖了使用了模糊濾波、輪廓濾波、細節增強濾波的處理，大家運行程序就可以看到處理後的效果了，如下圖所示：
getbands
Image.getbands()
返回一個包含此圖像中每個通道名稱的元組。直接看實例：
from PIL import Image
# 打開圖像
im = Image.open('cat.jpg')
# 創建新圖像
im1 = Image.new('L', (450, 450), 50)
# 獲取圖像的通道名稱元組
print(im.getbands())
print(im1.getbands())
# 輸出結果
('R', 'G', 'B')
('L',)
上例中，我們分別打開一個 RGB 圖像和創建一個 L 模式的新圖像，然後打印輸出他們的通道名稱。
getbbox
Image.getbbox()
計算圖像中非零區域的邊界框。將邊界框作爲定義左、上、右和下像素座標的四元組返回。我們來看例子：
from PIL import Image
# 打開圖像(451x300)
im = Image.open('cat.jpg')
# 創建新圖像(450x450)
im1 = Image.new('L', (450, 450), 50)
# 打印圖像中非零區域的邊界框
print(im.getbbox())
print(im1.getbbox())
# 輸出結果
(0, 0, 451, 300)
(0, 0, 450, 450)
這個方法很簡單，很容易理解，那麼這個方法有什麼用處呢？最直接的一個用處就是迅速地獲取圖像的邊界座標。
getcolors
Image.getcolors(maxcolors=256)
參數說明：
- maxcolors：最大顏色數。默認限制爲256色。
獲取圖像中顏色的使用列表，超過 maxcolors 設置值返回 None 。
返回值爲 (count, pixel) 的列表，表示（出現的次數，像素的值）
from PIL import Image
im = Image.open('cat.png')
# 將彩色圖像轉換成灰度圖
im2 = im.convert("L")
# 打印灰度圖的顏色列表，返回的點數超過maxcolors就直接返回None
print(im2.getcolors(maxcolors=200))
print(im2.getcolors(maxcolors=255))
# 輸出結果
None
[(1, 0), (69, 1), (275, 2), (518, 3), (165, 4), ... (6, 250), (1, 251)]
我們這個圖像有252個像素值，所以第一次 maxcolors 設置爲200時，由於 252>200，所以返回了 None。第二次設置255時，正常返回。
getdata
Image.getdata(band=None)
參數：
- band：獲取對應通道值。如：RGB 圖像像素值爲 (r,g,b) 的元組，要返回單個波段，請傳遞索引值（例如0，從 RGB 圖像中獲取 R 波段）。
獲取圖像中每個像素的通道對象元組，像素獲取從左至右，從上至下。
getextrema
Image.getextrema()
獲取圖像中每個通道的最小值與最大值。對於單波段圖像，包含最小和最大像素值的2元組。對於多波段圖像，每個波段包含一個2元組的元組。
getpixel
Image.getpixel(xy)
參數：
- xy：座標，以（x，y）表示。
通過傳入座標返回像素值。如果圖像是多層圖像，則此方法返回元組。
point
Image.point(lut, mode=None)
參數說明：
-
lut：一個查找表，包含圖像中每個波段的256個（或65536個，如果 self.mode“I” 和 mode“L”）值。可以改用函數，它應採用單個參數。對每個可能的像素值調用一次函數，結果表將應用於圖像的所有帶區。
-
mode：輸出模式（默認與輸入相同）。只有當源圖像具有模式 “L” 或 “P” ，並且輸出具有模式 “1” 或源圖像模式爲 “I” ，並且輸出模式爲 “L” 時，才能使用此選項。
對圖像的的每個像素點進行操作，返回圖像的副本。
from PIL import Image
im = Image.open('cat.png')
# 調整灰色圖像的對比度
im_point=im.convert('L').point(lambda i: i < 80 and 255)
im_point.show()
source = im.split()
# 三通道分別處理對比度
band_r = source[0].point(lambda i: i < 80 and 255)
band_g = source[1].point(lambda i: i < 80 and 255)
band_b = source[2].point(lambda i: i < 80 and 255)
band_r.show()
band_g.show()
band_b.show()
在例子中，我們先將圖像轉換成 L 模式，然後調整對比度，以及將圖像的三個通道分別調整對比度。所謂調整對比度，我們這個例子的規則就是當像素值小於80時，將其調整爲255，相當於將接近黑色的像素點加黑，使其與淺色對比更明顯。運行效果如下圖：
resize
Image.resize(size, resample=0, box=None)
參數說明：
- size：以像素爲單位的請求大小，作爲2元組：（寬度、高度）。
- resample：可選的重新採樣濾波器。可以是 PIL.Image.NEAREST（最近濾波） ， PIL.Image.ANTIALIAS （平滑濾波）， PIL.Image.BILINEAR （雙線性濾波）， PIL.Image.HAMMING ， PIL.Image.BICUBIC （雙立方濾波）。如果省略，或者圖像具有模式 “1” 或 “P” ，則設置爲 PIL.Image.NEAREST 。
-box：一個可選的4元組的浮點數，給出了應該縮放的源圖像區域。值應在（0，0，寬度，高度）矩形內。如果省略或沒有，則使用整個源。
這個方法是獲取調整大小後的圖片。通俗地講就是在原圖中摳一個矩形區域（如果傳入了 box 參數），然後對摳出來的區域進行濾波處理（如果傳入了 resample 參數），最後以指定的 size 大小進行返回。
from PIL import Image
im = Image.open('flower.jpg')
img1 = im.resize((250, 250), Image.BILINEAR)
img2 = im.resize((250, 250), Image.BICUBIC)
img3 = im.resize((250, 250), Image.NEAREST)
im.show()
img1.show()
img2.show()
img3.show()
這幾個濾波器的具體的原理比較理論，大家對照着程序運行返回自行去深入瞭解。
關於 PIL 的 Image 模塊的方法我們只講這麼多，還有好多其他方法，大家可參照 https://www.osgeo.cn/pillow/reference/ 這個網站去嘗試。
我們講的 PIL 的 Image 模塊只是 PIL 的一個基礎模塊而已，它還有好多其他的模塊，諸如 ImageChops （通道操作模塊）、ImageColor （顏色轉換模塊）、ImageDraw （二維圖形模塊）等，大家在需要的時候可以去查找 API 使用。
總結
pillow 庫是一個非常強大的基礎圖像處理庫，若不深入圖像處理，運用這個庫裏面的方法組合，對圖像進行各種常見的操作已經夠用，這是計算機圖片識別的基礎。當然，如果需要更專業的操作，那麼就直接上 opencv 吧。
參考
https://www.osgeo.cn/pillow/reference/
文中示例代碼：python-100-days
關注公衆號：python技術，回覆"python"一起學習交流
