传送门：请点击我
如果点击有误：https://github.com/LeBron-Jian/ComputerVisionPractice
这个是之前的笔记，自己看到了就顺带发出来，也是温习一下，内容可能不太全，算是入门贴吧。
图像处理是计算机视觉领域中不可或缺的一部分，而PIL（Python Imaging Library）库和OpenCV（Open Source Computer Vision Library）是两个常用的工具。今天这里主要学习以下PIL库，PIL 是一个用于图像处理的 Python 库，提供了丰富的图像处理功能。它包含了处理图像的各种工具和算法，可以进行图像的打开、保存、剪裁、旋转、缩放等操作。
PIL（Python Imaging Library）和 OpenCV 都是用于图像处理的强大库，它们各自有着不同的优势和适用场景。以下是一些导致 PIL 仍然被使用的原因：
首先是安装，比较简单：
pip install pillow
下面是一个简单的示例，演示了如何使用PIL库来打开一个图像文件，然后将图像转换为灰度图，并保存到新的文件中：
from PIL import Image
# 打开图像文件
img = Image.open('input.jpg')
# 将图像转换为灰度图
img_gray = img.convert('L')
# 保存图像到新的文件
img_gray.save('output.jpg')
虽然 OpenCV 在计算机视觉和更复杂的图像处理任务中表现得非常强大，但选择使用哪个库通常取决于具体的需求和项目特点。在一些情况下，PIL 可能更为合适，而在其他情况下，特别是涉及到计算机视觉领域的任务，OpenCV 可能更具优势。
总体来说，网上开源的一些计算机视觉中也使用PIL加载图像，所以有不得不学习的理由，话不多说，开干：
Pillow的官网地址：https://pillow.readthedocs.io/en/stable/，其实打开后，什么都有，只是都是英文，对于部分同学不方面而已。
PIL：Python Imaging Library，已经是Python平台上的图像处理标准库了。由于PIL仅支持到Python2.7 ，加上年久失修，于是一群志愿者在PIL的基础上创建了兼容的版本，名字叫Pillow，支持最新版本的Python3.X，又加了许多新特性。因此，我们可以直接安装使用Pillow。
PIL中所涉及的基本概念有如下几个：通道（bands）、模式（mode）、尺寸（size）、坐标系统（coordinate system）、调色板（palette）、信息（info）和滤波器（filters）。
每张图片都是由一个或者多个数据通道构成。PIL允许在单张图片中合成相同维数和深度的多个通道。
以RGB图像为例，每张图片都是由三个数据通道构成，分别为R、G和B通道。而对于灰度图像，则只有一个通道。
对于一张图片的通道数量和名称，可以通过方法getbands()来获取。方法getbands()是Image模块的方法，它会返回一个字符串元组（tuple）。该元组将包括每一个通道的名称。
Python的元组与列表类似，不同之处在于元组的元素不能修改,元组使用小括号，列表使用方括号，元组创建很简单，只需要在括号中添加元素，并使用逗号隔开即可。
方法getbands()的使用如下：
from PIL import Image
im = Image.open("test.png")
print(im.getbands())
输出：
('R', 'G', 'B')
图像的模式定义了图像的类型和像素的位宽。当前支持如下模式：
1：1位像素，表示黑和白，但是存储的时候每个像素存储为8bit。 L：8位像素，表示黑和白。 P：8位像素，使用调色板映射到其他模式。 RGB：3x8位像素，为真彩色。 RGBA：4x8位像素，有透明通道的真彩色。 CMYK：4x8位像素，颜色分离。 YCbCr：3x8位像素，彩色视频格式。 I：32位整型像素。 F：32位浮点型像素。 PIL也支持一些特殊的模式，包括RGBX（有padding的真彩色）和RGBa（有自左乘alpha的真彩色）。
可以通过mode属性读取图像的模式。其返回值是包括上述模式的字符串。
属性mode的使用如下：
from PIL import Image
im = Image.open("test.png")
print(im.mode)
输出：
'RGB'
通过size属性可以获取图片的尺寸。这是一个二元组，包含水平和垂直方向上的像素数。
属性mode的使用如下：
from PIL import Image
im = Image.open("test.png")
print(im.size)
输出:
(670, 502)
在PIL（或Pillow）中，图像的坐标系统遵循常见的数学坐标系，其中左上角是原点（0, 0），x轴向右增长，y轴向下增长。这意味着图像的左上角具有坐标 (0, 0)，而右下角的坐标是 (width-1, height-1)。
以下是一个简单的示例说明PIL的坐标系统：
from PIL import Image, ImageDraw
# 创建一个白色背景的图像
width, height = 200, 100
image = Image.new("RGB", (width, height), "yellow")
# 创建一个ImageDraw对象,即获取图像的绘制对象
draw = ImageDraw.Draw(image)
# 在图像中心绘制一个红色矩形
rect_width, rect_height = 50, 30
left = 0
top = (height - rect_height) // 2
right = left + rect_width
bottom = top + rect_height
draw.rectangle([left, top, right, bottom], fill="red")
# 保存图像
# image.save("coordinate_example.png")
# 显示图像
image.show()
# 显示坐标系
print(f"左上角坐标：(0, 0)")
print(f"右下角坐标：({width-1}, {height-1})")
# 输出结果
# 左上角坐标： (0, 0)
# 右下角坐标：( 199, 99)
输出图像：
在PIL（Python Imaging Library）中，调色板（Palette）是一种用于存储和管理颜色映射的机制。调色板通常与图像的索引颜色模式一起使用，这意味着图像的每个像素值不直接表示颜色，而是作为索引来查找调色板中的实际颜色。
以下是有关调色板的一些重要概念和说明：
索引颜色模式：
调色板的组成：
使用调色板的图像格式：
图像的调色板属性：
image.getpalette() 方法可以获取图像的调色板，而 image.putpalette() 方法可以设置调色板。以下是一个简单的示例，演示如何使用PIL中的调色板：
from PIL import Image
# 创建一个调色板
palette = [255, 0, 0, # Red
0, 255, 0, # Green
0, 0, 255] # Blue
# 创建一个8x8的图像，使用调色板和索引颜色模式
image = Image.new("P", (8, 8))
image.putpalette(palette)
# 设置图像的像素值（索引）
pixels = [0, 1, 2, 0, 1, 2, 0, 1,
1, 2, 0, 1, 2, 0, 1, 2,
2, 0, 1, 2, 0, 1, 2, 0,
0, 1, 2, 0, 1, 2, 0, 1,
1, 2, 0, 1, 2, 0, 1, 2,
2, 0, 1, 2, 0, 1, 2, 0,
0, 1, 2, 0, 1, 2, 0, 1,
1, 2, 0, 1, 2, 0, 1, 2]
image.putdata(pixels)
# 显示图像
image.show()
这个例子创建了一个调色板，然后使用索引颜色模式创建了一个8x8的图像，并通过设置像素值（索引）来使用调色板中的颜色。
使用info属性可以为一张图片添加一些辅助信息。这个是字典对象。加载和保存图像文件时，多少信息需要处理取决于文件格式。
属性info的使用如下：
from PIL import Image
im = Image.open("test.jpg")
print(im.info)
输出：
{'jfif': 257, 'jfif_version': (1, 1), 'jfif_unit': 0, 'jfif_density': (1, 1)}
对于将多个输入像素映射为一个输出像素的几何操作，PIL提供了四个不同的采样滤波器。
NEAREST：最近滤波。从输入图像中选取最近的像素作为输出像素。它忽略了所有其他的像素。 BILINEAR：双线性滤波。在输入图像的2x2矩阵上进行线性插值。 注意：PIL的当前版本，做下采样时该滤波器使用了固定输入模板。 BICUBIC：双立方滤波。在输入图像的4x4矩阵上进行立方插值。 注意：PIL的当前版本，做下采样时该滤波器使用了固定输入模板。 ANTIALIAS：平滑滤波。这是PIL 1.1.3版本中新的滤波器。对所有可以影响输出像素 的输入像素进行高质量的重采样滤波，以计算输出像素值。在当前的PIL版本中，这个滤 波器只用于改变尺寸和缩略图方法。 注意：在当前的PIL版本中，ANTIALIAS滤波器是下采样（例如，将一个大的图像转换为 小图）时唯一正确的滤波器。BILIEAR和BICUBIC滤波器使用固定的输入模板，用于固 定比例的几何变换和上采样是最好的。
Image模块中的方法 resize() 和 thumbnail()用到了滤波器。
方法resize() 的使用如下：
方法resize()的定义为：resize(size, filter=None)=> image
from PIL import Image
im = Image.open("test.png")
print(im.size)
im_resize = im.resize((256,256))
print(im_resize.size)
输出：
(670, 502)
(256,256)
对参数filter不赋值的话，方法resize()默认使用NEAREST滤波器。如果要使用其他滤波器可以通过下面的方法来实现：
from PIL import Image
im = Image.open("test.png")
print(im.size)
im_resize0 = im.resize((256,256), Image.BILINEAR)
print(im_resize0.size)
im_resize1 = im.resize((256,256), Image.BICUBIC)
print(im_resize1.size)
im_resize2 = im.resize((256,256), Image.ANTIALIAS)
print(im_resize2.size)
输出：
(670, 502)
(256,256)
(256,256)
(256,256)
直接读取图片
from PIL import Image # 导入图像 img_path = r"book.png" img = Image.open(img_path) # 展示图像 im.show()
save方法用于保存图像，当不指定文件格式时，它会以默认的图片格式来存储；如果指定图片格式，则会以指定的格式存储图片，语法如下：
im = PIL.Image.open(r"book.jpg") # 保存图片 # fp: 图片的存储路径，包含图片的名称，字符串格式 fp = "book_save.jpg" # format：可选参数，可以指定图片的格式 im.save(fp, format=None)
注意：并非所有的图片格式都可以用 save() 方法转换完成，比如将 PNG 格式的图片保存为 JPG 格式，如果直接使用 save() 方法就会出现错误，引发错误的原因是由于 PNG 和 JPG 图像模式不一致导致的。其中 PNG 是四通道 RGBA 模式，即红色、绿色、蓝色、Alpha 透明色；JPG 是三通道 RGB 模式。因此要想实现图片格式的转换，就要将 PNG 转变为三通道 RGB 模式。
Image 类提供的 convert() 方法可以实现图像模式的转换。该函数提供了多个参数，比如 mode、matrix、dither 等，其中最关键的参数是 mode，其余参数无须关心
语法：
im.convert(mode, params) # 转换模式 im.save(fp) # 保存图片
在图像处理过程中经常会遇到缩小或放大图像的情况，Image 类提供的 resize() 方法能够实现任意缩小和放大图像
语法：
im_new = im.resize(size, resample=image.BICUBIC, box=None, reducing_gap=None) # 缩放后的图片 im_new.show()
图像（指数字图像）由许多像素点组成，像素是组成图像的基本单位，而每一个像素点又可以使用不同的颜色，最终呈现出了绚丽多彩的图像 ，而图像的分离与合并，指的就是图像颜色的分离和合并
示例：
im = PIL.Image.open(r"magic_h03.jpg") # split 方法使用较简单，分离通道 r, g, b = im.split() r.show() g.show() b.show()
Image 类提供的 merge() 方法可以实现图像的合并操作。注意，图像合并，可以是单个图像合并，也可以合并两个以上的图像
示例：
im_merge = PIL.Image.merge(mode, bands) im_merge.show()
Image 类也提供了 blend() 方法来混合 RGBA 模式的图片（PNG 格式）
语法：
PIL.Image.blend(image1,image2, alpha)
Image 类提供的 crop() 函数允许我们以矩形区域的方式对原图像进行裁剪
语法：
im_crop = im.crop(box=None) # box 代表裁剪区域 im_crop.show()
box 是一个有四个数字的元组参数 (x_左上,y_左下,x1_右上,y1_右下)，分别表示被裁剪矩形区域的左上角 x、y 坐标和右下角 x，y 坐标。默认 (0,0) 表示坐标原点，宽度的方向为 x 轴，高度的方向为 y 轴，每个像素点代表一个单位
注意：源文件的文件格式。如果是由PIL创建的空图像，则其文件格式为None，即 im.format ⇒ string or None
示例代码如下：
import PIL.Image im = PIL.Image.open(r"harden.png") print(im.size) # 查看图片大小, 按照像素数计算。它的返回值为宽度和高度的二元组（width, height） print(im.readonly) # 查看是否为只读，1为是，0为否 print(im.format) # 查看图片的格式, 输出为 'png' print(im.info) # 查看图片的相关信息 print(im.mode) # 查看图片的模式 print(im.mode) # 表明图像所使用像素格式, 属性典型的取值为“1”，“L”，“RGB”或“CMYK” print(im.palette) # 颜色调色板表格。如果图像的模式是“P”，则返回ImagePalette类的实例；否则，将为None。
代码如下：
from PIL import Image
# load a color image
im = Image.open('durant.jpg' )
# convert to grey level image
Lim = im.convert('L' )
Lim.save('grey.jpg' )
# setup a converting table with constant threshold
threshold = 185
table = []
for i in range(256):
if i < threshold:
table.append(0)
else:
table.append(1)
# convert to binary image by the table
bim = Lim.point(table, '1' )
bim.save('durant_grey.jpg' )
原图图片效果展示：
灰度化图片效果展示：
二值化图片效果展示：
代码如下：
例子1：
from PIL import Image
im1 = Image.open("jing.jpg")
print(im1.mode)
im_c = im1.convert("1")
im_c.save("he.jpg")
print(im_c.mode)
输出：
注：将“RGB”模式的im01图像，转换为“1”模式的im_c图像。
定义3：im.convert(mode,matrix) ⇒ image
含义3：使用转换矩阵将一个“RGB”图像转换为“L”或者“RGB”图像。变量matrix为4或者16元组。
例子3：下面的例子将一个RGB图像（根据ITU-R709线性校准，使用D65亮度）转换到CIE XYZ颜色空间：
from PIL import Image
im1 = Image.open("jing.jpg")
im1.mode
rgb2xyz = （
0.412453, 0.357580, 0.180423, 0,
0.212671, 0.715160, 0.072169, 0,
0.019334, 0.119193, 0.950227, 0 )
im_c3 = im1.convert("L", rgb2xyz)
im_c3.save("he.jpg")
print(im_c3.mode)
输出：
L