python——PIL读取、修改图片

参考：https://blog.csdn.net/zhangziju/article/details/79123275

打开图片Image.open(‘路径和文件名’)

库使用show()方法时、可使用plt.imshow(‘图片名称变量’)

使用图片的show()方法时注意是直接调用计算机系统的图片显示软件，而不是打印在工作台;但使用plt.imshow()则可以显示在控制台上

from PIL import Image
import matplotlib.pyplot as plt
import os
#修改工作空间，方便文件读取
os.chdir(r'C:\Users\MAR\Desktop\test_write')

img=Image.open("7.png")
im.show()
plt.imshow()

图片的后缀类型img.format

见下例子

显示和修改图片的模式类型img.mode、img.convert(‘类型’)

mode

注意：灰度图片的0表示白色，255表示黑色，位图模式下也是8位表示黑和白，只用到0和255，位图使用转换公式L = R * 299/1000 + G * 587/1000 + B * 114/1000，按127作为黑白的分界线

modes	描述	常用名称
1	8位像素，只有黑和白（0，255）	位图模式
L	8位像素，黑（0）白（255），	灰度图
P	8位像素，使用调色板映射到任何其他模式
RGB	3*8位像素，使用调色板映射到任何其他模式	真彩色模式
RGBA	4×8位像素，	真彩+透明通道
YCbCr	3×8位像素，彩色视频格式	亮色分离
CMYK	应用在印刷领域，4个字母意思是青、洋红、黄、黑	因为不能保证纯度，所以需要黑
I	32位整型像素
F	32位浮点型像素

p模式可以将存储在较大内存的图片映射到8位bit上
例如，使用该存储RGB图片数据，一个RGB图片的每个像素的值为了简单表示为（255.255.255,R.G.B）
假设一图片有9个像素，它的对应像素的矩阵可表示如下

A = [[111.111.11, 211.22.15, 0],
     [0, 111.111.11, 111.111.11],
     [0, 211.22.15, 111.111.11]]

可知A矩阵中只有三个不同值，它可以通过下面的B、C矩阵完成映射关系,B记录了A中不同的值，C中记录了A中对应位置的值在B中的索引、该方法在有大量重复数据的时候能够很好的节省空间，在本例中，一个RGB使用38个bit，**A矩阵存储使用：389**；**使用B、C方式，29+383**，其中2表示B矩阵的索引使用的bit位数，而p表示的是8位bit，则可以表示256个索引

B=[111.111.11,211.22.15,0]
C=[[0, 1, 2],
   [2, 0, 0],
   [2, 1, 0]]

参考：参考1、参考2

convert(‘mode’)

注意这个函数只是能够返回一个修改后的图片类型，并不能真正修改本身的图片对象变量,参数mode就是上面提到的mode的值表示的含义

img=Image.open("7.png")

img_array=img.load()
print('这是format的值：',img.format)
print('这是转换前img的值',img.mode)
img_1=img.convert('L')
print('这是转换后img的值',img.mode)
print('这是转换前img_1的值',img_1.mode)
'''
这是format的值： PNG
这是转换前img的值 RGB
这是转换后img的值 RGB
这是转换前img_1的值 L
'''

存取文件，文件变量名.save(‘变量全称’)

可以使用该方法将图片保存到自己设置的路径，并保存成自己的想要的格式

size，返回图片的长宽像素的尺寸

img=Image.open("7.png")
print('这是format的值：',img.format)
print('这是转换前img的值',img.mode)
print(img.size)
'''
这是format的值： PNG
这是转换前img的值 RGB
(28, 28)
'''

img.palette颜色调色版格式，当图片格式转换成使用P模式时

颜色调色板表格

img=Image.open("7.png")
print('这是format的值：',img.format)
print('这是转换前img的值',img.mode)
print('转换前的调色板：',img.palette)
img_p=img.convert('P')
print('转换后的调色板：',img_p.palette)

info存储图片相关数据的字典

返回字典类型的信息

img=Image.open("7.png")
print(img.info)
''' {'srgb': 0, 'gamma': 0.45455, 'dpi': (96, 96)} '''

Image.new(mode,size,[color])

新创建一个以像素为单位的长宽值的图像，mode参数可参数前面的mode，color不赋值，默认为0（黑色）

img_new=Image.new('RGB',(30,30),'blue')
plt.imshow(img_new)

显示如下，

图片变量.copy

使用**图片变量.copy()**不改变原来的图片信息，拷贝一个图片变量

img=Image.open("7.png")
img_copy=img.copy()

图片变量.crop(box)，修剪

box是一个包含了4个数据的元组，规定了截取的区域图片，（但从图片中的第20行处看，并不和截图位置一致，还有一点儿缝隙）使用下个paste命令可以找到原因

img=Image.open("7.png")
#设置图片显示网格
plt.figure(figsize=(8,5))

box=(5,5,20,20)
img_crop=img.crop(box)
#建立一个1行2列的网格显示区域，在第1行第1列显示，占1行1列
#plt.subplot2grid((1,2),(0,0),colspan=1,rowspan=1)
plt.subplot(221)
plt.imshow(img_crop)
plt.subplot2grid((1,2),(0,1),colspan=1,rowspan=1)
plt.imshow(img)

图片的粘贴,图片变量名.paste(img,box)

参数：img是要粘贴的图片，box表示位置，若box为包含2个数字的元组，表示图片的一个角的基准，而box含有4个元组时，表示的是一个用于放置图片大小的矩形

img=Image.open("7.png")
plt.figure(figsize=(8,8))

box=(5,5,20,20)
img_crop=img.crop(box)
img.paste(img_crop,(-2,5))
plt.imshow(img)

结果图片：

图片分析：从图片上知道，截取了（5，5）到（20，20）的图片，但通过使用红框发现，和截取图片的下边界并未对齐，其中绿框和红框大小一致，而且绿框的上边界对齐时，下边界也和截取图片下边界对齐，而且通过紫色的线可以发现图片并没有被改变大小。

图片的滤波和选取，图片变量.filter(filter)

预定义滤波器包括：BLUR、CONTOUR、DETAIL、EDGE_ENHANCE、EDGE_ENHANCE_MORE、EMBOSS、FIND_EDGES、SMOOTH、SMOOTH_MORE、SHARPEN。其中BLUR就是均值滤波，CONTOUR找轮廓，FIND_EDGES边缘检测，使用该模块时，需先导入。

plt.figure(figsize=(12,12))
img=Image.open("lena.jpg")

#设置显示位置
plt.subplot(231)
plt.imshow(img)
#图片均值滤波
plt.subplot(232)
img_blur=img.filter(imgft.BLUR)
plt.imshow(img_blur)
#图片轮廓滤波
plt.subplot(233)
img_contour=img.filter(imgft.CONTOUR)
plt.imshow(img_contour)
#图片边缘检测
plt.subplot(234)
img_edge=img.filter(imgft.FIND_EDGES)
plt.imshow(img_edge)

plt.subplot(235)
img_sharpen=img.filter(imgft.SHARPEN)
plt.imshow(img_sharpen)

plt.subplot(236)
img_smooth=img.filter(imgft.SMOOTH)
plt.imshow(img_smooth)

Image.blend(image1,image2,alpha)

参数中的alpha指的是image2的透明度，另一张的透明度是1-alpha

plt.figure(figsize=(8,8))
img1=Image.open("lena.jpg")
img2=Image.open('nv.jpg')

plt.subplot(231)
plt.imshow(img1)
plt.subplot(233)
plt.imshow(img2)
im=Image.blend(img1,img2,0.6)
plt.subplot(235)
plt.imshow(im)

图像变量.split()

返回当前图像所有通道组成的元组，例如RGB,返回（红、绿、蓝）,且图片的mode都是L型的，最后一张是将原图直接转换成L型的图像;L模式的图像使用plt.imshow(img)和使用img.show()的显示效果明显不同，img.show()通过电脑的图片显示软件（画图等）会显示成一张灰度图（未在同样条件下截图，灰度图和其他尺寸不同）

plt.figure(figsize=(8,8))
img=Image.open("lena.jpg")
img1=Image.open("nv.jpg")
plt.subplot(221)
r,g,b=img.split()
plt.imshow(r)
plt.subplot(222)
plt.imshow(g)
plt.subplot(223)
plt.imshow(b)
plt.subplot(224)
plt.imshow(im.convert('L'))
im.convert('L').show()

Image.composite(img1,img2,mask)

复合类使用给定的两张图像及mask图像作为透明度，插值出一张新的图像。变量mask图像的模式可以为“1”，“L”或者“RGBA”。所有图像必须有相同的尺寸。如

plt.figure(figsize=(8,8))
img=Image.open("lena.jpg")
img1=Image.open("nv.jpg")
plt.subplot(221)
r,g,b=img.split()
plt.imshow(img)
plt.subplot(222)
plt.imshow(img1)
plt.subplot(223)
plt.imshow(b)
plt.subplot(224)
plt.imshow(Image.composite(img,img1,b))
print(Image.composite(img,img1,b).mode)
#输出L和下图

Image.eval(img,function)

对图像每个像素点的每一通道进行像素值的运算

plt.figure(figsize=(8,8))
def enhan(x):
    return 2*x
def decr(x):
    return x/2

img=Image.open("lena.jpg")

plt.subplot(131)
plt.imshow(img)
plt.subplot(132)
plt.imshow(Image.eval(img,enhan))
plt.subplot(133)
plt.imshow(Image.eval(img,decr))

Image.merge(mode,bands)

返回一个mode图片，将多通道的图片组合成一张。若一张RGB的图分开后，再使用该命令得到原图；不同图片的通道也可以合并，通道放入bands的列表中

plt.figure(figsize=(8,8))
img=Image.open("lena.jpg")
img1=Image.open("nv.jpg")
print(img.mode)
#两张RGB图片的通道分解
r,g,b=img.split()
r1,g1,b1=img1.split()
#打印出两张原图
plt.subplot(221)
plt.imshow(img)
plt.subplot(222)
plt.imshow(img1)
#打印第一张重新自己通道混合的图
plt.subplot(223)
bands=[r,g,b]
plt.imshow(Image.merge('RGB',bands))
#打印不同两张图片混合的通道
plt.subplot(224)
bands1=[r1,g,b]
plt.imshow(Image.merge('RGB',bands1))

#将一张图片的三个通道打乱
bands1=[r1,b1,g1]
plt.imshow(Image.merge('RGB',bands1))

draft提前设置图片显示

在使用该方法前不要使用涉及到图片像素值的操作，否则该加载器会无效，但可以打印图片的属性信息（size，mode，format）；但格式转换和图片显示都会访问图片像素信息
draft文档中显示需要注意的：

//大概意思：这种方式适当的修改了图片对象，如果图片（像素信息）已经被加载，这种方式将不起作用
Note that this method modifies the :py:class:`~PIL.Image.Image` object
in place. If the image has already been loaded, this method has no
effect.

下面的程序可以看出将原图片的加载改变了，但是不能将图片先显示出来，再使用draft修改加载，

img=Image.open("lena.jpg")
print(img)
img_draf=img.draft("L",(200,200))  #返回的是一个包含信息的2元组
print(img)
plt.imshow(img) #注意使用的是原图像的变量，不是draft函数返回值
#plt.imshow(img,cmap='gray')#可以显示灰度图像
'''输出的mode发生了变化，由于加载项
<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=256x256 at 0x29C10E28608>
<PIL.JpegImagePlugin.JpegImageFile image mode=L size=256x256 at 0x29C10E28608>
'''

下面这个先将图片显示，已经是L型的图片，但plt.imshow显示的不是灰度图，使用img.show()可以查看对应的灰度图图

但下面的程序不能改变加载显示,最后显示中的mode的值也都还是RGB格式，说明draf并未起作用

img=Image.open("lena.jpg")
plt.imshow(img)  #由于这里加载了图片像素
print(img)
img_draf=img.draft("L",(200,200))
print(img)
'''
<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=256x256 at 0x29C10FFBBC8>
<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=256x256 at 0x29C10FFBBC8>
'''

img.getbands()

返回通道的名称，例如RGB图片返回（‘R’,‘G’,‘B’）;灰度图返回（’L‘，）

img.getbbox()

返回图像的左上角和右下角坐标组成的一个4元素元组（0，0）为左上角

img.getdata()

这个函数返回的是包含每个像素的（R,G,B）值的元组集合对象，元组个数是根据像素个数确定的。比如一张图片的尺寸为256256，则元组的个数是256256个但，索引值到（0到256*256-1）。返回的这个对象，不能像正常的列表一样切片需要通过list方法或其他方法转换

img=Image.open("lena.jpg")

img_data=img.getdata()

sequ_list=list(img_data)	#将返回的数据转换成list和数组
sequ_arr=np.array(img_data)

print(sequ_list[0:10])	#返回列表前10个元素
print(sequ_arr[0:,0:1][0:6]) 	#返回前6个元素的第一个值，也就是图像的R值
print(sequ_arr[0:6])	#返回转换为数组的前6个元素

img.getextrema()

每通道返回一个2元组，包含最大和最小值

img.getpixel（）

返回一个值或元组（多通道），是一个像素的值；参数通常也是元组，为了确定像素位置。该方法执行比较慢；如果用户需要使用python处理图像中较大部分数据，可以使用像素访问对象（见load），或者方法getdata()。

img.histogram()

返回对应像素值的像素个数的列表，多通道像素值之和，比如RGB有256*3=768种颜色，而返回值就是这个图片上存在对应768种颜色的像素个数列表。

img=Image.open("lena.jpg")
# img1=Image.open("nv.jpg")

img_hist=img.histogram()
print(len(img_hist))
# 返回值768

img.load()

为图像分配内存并从文件中加载它（或者从源图像，对于懒操作）。正常情况下，用户不需要调用这个方法，因为在第一次访问图像时，Image类会自动地加载打开的图像。

img=Image.open("lena.jpg")
pix=img.load()
print(pix[0,0])
#返回结果（230，133，114）

img.putdata()

将对应像素的值重新设置，括号内参数是一个列表，列表中的元素对应图片的通道；且被替换的像素位置顺序为[0,0]、[1,0],像素的访问是按列进行的！？

img=Image.open("lena.jpg")
pix=img.load()

print(
    pix[0,0],
    pix[1,0],
    img.putdata([(1,2,5),(7,5,9)],),
    pix[0,0],
    pix[1,0],
)
#结果(230, 133, 114) (231, 134, 115) None (1, 2, 5) (7, 5, 9)

img.resize(size,[filter])

返回一个修改后的图片，过滤器可以没有，重设置了图片,但不改变原来图片尺寸，返回一个改变尺寸的图像

img=Image.open("lena.jpg")
print(img.size)			# （256，256）
img_resi=img.resize((50,50))
print(img_resi.size)		#（50，50）

plt.subplot(121)
plt.imshow(img)

plt.subplot(122)
plt.imshow(img_resi)

从图片中可以看出，虽然看起来尺寸一样；但右边的图是在修改的像素值之后为了显示合适而将图片放大了，因此图片模糊了。

img.rotate(angle[,filter=NEAREST,expand=0])

角度为逆时针角度值,expand的参数为True表示将旋转后的图片也能够完全放在图框中

plt.figure(figsize=(15,5))
img=Image.open("lena.jpg")

img_rot=img.rotate(45)   #只是设置旋转45
img_rot_pand=img.rotate(45,expand=True)	#设置旋转和expand

plt.subplot(131)
plt.imshow(img)

plt.subplot(132)
plt.imshow(img_rot)

plt.subplot(133)
plt.imshow(img_rot_pand)

img.seek()

查找指定的帧，相当于修改了读取的图片

plt.figure(figsize=(15,5))

img_gif=Image.open("biu1.gif")
plt.subplot(131)
plt.imshow(img_gif)

plt.subplot(132)
img_gif.seek(11)
plt.imshow(img_gif)

plt.subplot(133)
img_gif.seek(55)
plt.imshow(img_gif)

原图：

抓取的帧数图