TensorFlow实践之数字图像处理基础

计算机视觉是人工智能的大门，其已成为人工智能应用方向的领头羊。故掌握数字图像处理的基础十分必要。本文主要介绍了导入Pillow库中的Image对图像进行简单处理的方法。

图像的打开与保存

• 导入模块：from PIL import Image

• 打开图像：Image.open()#返回图像对象

• 保存图像：Image.save(文件路径)#改变文件名后缀，就可以转换图像格式

• 图像对象的主要属性：

  属性	说明
  图像对象.format	图像格式
  图像对象.size	图像尺寸
  图像对象.mode	色彩模式

  import matplotlib.pyplot as plt
  from PIL import Image
  #打开图像
  img=Image.open("lena.tiff")
  #保存图像
  img.save("test.tiff")
  img.save("lena.jpg")
  img.save("lena.bmp")
  #查看图像对象的主要属性
  img1=Image.open("lena.jpg")
  img2=Image.open("lena.bmp")
  print("The format:",img2.format)
  print("The size:",img2.size)
  print("The mode:",img2.mode)

  结果如下：

  

---

显示图像

• plt.imshow(image对象/Numpy数组)#对图像进行处理并显示其格式

• plt.show()#将处理后的图像显示

  #显示图像
  #设置画布尺寸
  plt.figure(figsize=(15,5))
  #设置子图
  plt.subplot(131)
  #plt.axis("off")#关闭坐标轴
  plt.imshow(img)
  plt.title(img.format)
  
  plt.subplot(132)
  #plt.axis("off")
  plt.imshow(img1)
  plt.title(img1.format)
  
  plt.subplot(133)
  #plt.axis("off")
  plt.imshow(img2)
  plt.title(img2.format)
  #将处理后的图像显示
  plt.show()

  结果如下：

  

---

转换图像的色彩模式

• 图像对象.convert(色彩模式)

  取值	色彩模式
  1	二值图像（仍是8位数据，0x00与0xFF）
  L	灰度图像
  P	8位彩色图像
  RGB	24位彩色图像
  RGBA	32位彩色图像
  CMYK	CMYK彩色图像
  YCbCr	YCbCr彩色图像
  I	32位整数灰度图像
  F	32位浮点灰度图像

  #转换图像的色彩模式
  img_convert=img.convert("L")
  print("The convert mode:",img_convert.mode)#img_convert是一个新的图像对象
  img_convert.save("img_Gray.bmp")

  结果如下：

  

  

---

颜色通道的分离与合并

• 分离：图像对象.split()

• 合并：Image.merge(色彩模式，图像列表)

  #颜色通道的分离与合并
  #1.分离
  img_r,img_g,img_b=img.split()
  
  #显示分离后的效果
  plt.figure(figsize=(10,10))
  plt.subplot(221)
  plt.axis("off")
  plt.imshow(img_r,cmap="gray")
  plt.title("R",fontsize=20)
  
  plt.subplot(222)
  plt.axis("off")
  plt.imshow(img_g,cmap="gray")
  plt.title("G",fontsize=20)
  
  plt.subplot(223)
  plt.axis("off")
  plt.imshow(img_b,cmap="gray")
  plt.title("B",fontsize=20)
  
  #2.合并
  img_rgb=Image.merge("RGB",[img_r,img_g,img_b])
  plt.subplot(224)
  plt.axis("off")
  plt.imshow(img_rgb)
  plt.title("RGB",fontsize=20)
  
  #显示处理后的图像
  plt.show()

  结果如下：

  

---

将图像数据转化为数组

• np.array(图像对象)

  #将图像数据转化为数组
  import numpy as np
  img_array=np.array(img)
  print("The shape:",img_array.shape)

  结果如下：

  

---

图像的缩放、旋转和裁剪

• 缩放：

  • 图像对象.resize((width,height))
  • 图像对象.thumbnail((width,height))#其返回值是None，也就是直接对图像对象进行了缩放

• 旋转、镜像：

  • 图像对象.transpose(旋转方式)

  • 旋转方式：

    操作	对应旋转方式
    Image.Transpose.FLIP_LEFT_RIGHT	水平翻转
    Image.Transpose.FLIP_TOP_BOTTOM	上下翻转
    Image.Transpose.ROTATE_90	逆时针旋转90
    Image.Transpose.ROTATE_180	逆时针旋转180
    Image.Transpose.ROTATE_270	逆时针旋转270
    Image.Transpose.TRANSPOSE	将图像进行转置
    Image.Transpose.TRANSVERSE	将图像进行转置，再水平翻转

• 裁剪：在图像上指定的位置裁剪出一个矩形区域

  • 图像对象.crop((x0,y0,x1,y1))
  • x0,x0对应左上角坐标；x1,y1对应右下角坐标

#对图像进行缩放和旋转和裁剪
#1.缩放图像
img_resize=img.resize((64,64))
#2.旋转图像
img_transpose=img.transpose(Image.Transpose.ROTATE_90)
#3.裁剪图像
img_crop=img.crop((100,100,400,400))
#显示图像
plt.figure(figsize=(10,10))
plt.subplot(221)
plt.axis("off")
plt.imshow(img)
plt.title("img",fontsize=20)

plt.subplot(222)
plt.axis("off")
plt.imshow(img_resize)
plt.title("img_resize",fontsize=20)

plt.subplot(223)
plt.axis("off")
plt.imshow(img_transpose)
plt.title("img_transpose",fontsize=20)

plt.subplot(224)
plt.axis("off")
plt.imshow(img_crop)
plt.title("img_crop",fontsize=20)

plt.show()

结果如下：

---

实例分析：手写数字数据集MNIST

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
#下载MNIST数据集
mnist=tf.keras.datasets.mnist
(train_x,train_y),(test_x,test_y)=mnist.load_data(path="D:\App_Data_File\Anaconda_data\jupyter\image\mnist.npz")

#随机显示四幅手写图
for i in range(4):
    num=np.random.randint(1,50000)
    plt.subplot(1,4,i+1)
    plt.axis("off")
    plt.imshow(train_x[num],cmap="gray")
    plt.title(train_y[num])

plt.show()

结果如下：