1.3 Numpy

1.3.1 图像数组表示

# 1.3.1 图像数组表示
# array方法将图像转换成Numpy的数组对象
# 数组对象是多维的，可以用来表示向量、矩阵和图像
# 数组对象很像列表，或者说是列表的列表，但其中所有元素须具有相同的数据类型
from PIL import Image
from pylab import *

# 读取图像到数组中
im = array(Image.open('C:/Users/Lenovo/Desktop/picture/call me the queen.jpg'))
print(im.shape, im.dtype)
# 第一个参数是元组 显示图像数组大小，行 列 颜色通道 第二个是数组类型

im = array(Image.open('C:/Users/Lenovo/Desktop/picture/call me the queen.jpg').convert('L'), 'f')
print(im.shape, im.dtype)
# 灰度图像没有颜色信息，故只有两个数值；array函数中'f'参数 将数据类型转换为浮点型

# 访问数组中元素value=im[i,j,k]坐标i,j,颜色通道k
# 多个数组元素可以使用数组切片方式访问
# im[i,:] = im[j,:] # 将第j 行的数值赋值给第i 行
# im[:,i] = 100 # 将第i 列的所有数值设为100
# im[:100,:50].sum() # 计算前100 行、前50 列所有数值的和
# im[50:100,50:100] # 50~100 行，50~100 列（不包括第100 行和第100 列）
# im[i].mean() # 第i 行所有数值的平均值
# im[:,-1] # 最后一列
# im[-2,:] (or im[-2]) # 倒数第二行

1.3.2 灰度变换

# 1.3.2 灰度变换
# array方法将图像转换成Numpy的数组对象
# 数组对象是多维的，可以用来表示向量、矩阵和图像
# 数组对象很像列表，或者说是列表的列表，但其中所有元素须具有相同的数据类型
from PIL import Image
from pylab import *

# 读取图像到数组中
im = array(Image.open('C:/Users/Lenovo/Desktop/picture/call me the queen.jpg').convert('L'))

im2 = 255-im  # 对图像进行反相处理
im3 = (100.0/255)*im + 100  # 将图像像素值变换到100...200区间
im4 = 255.0*(im/255.0)**2  # 对图像像素值求平方后得到的图像 使较暗像素值变得更小

print(int(im.min()), int(im.max()))  # 查看图像中的最小和最大像素值
print(im3.shape, im3.dtype)

# array变换的相反操作可以用PIL的fromarray函数完成
pil_im = Image.fromarray(uint8(im3))  # 先将数据类型转换 并创建PIL图像
# Numpy总是将数据类型转成能够表示数据的“最低”数据类型
imshow(pil_im)

1.3.3 图像缩放

from PIL import Image
from pylab import *


def imresize(im, sz):
    """使用PIL对象重新定义图像数组的大小"""
    pil_im = Image.fromarray(uint8(im))
    # 使用之前PIL对图像对象转换的操作,im为数组对象

    return array(pil_im.resize(sz))

1.3.4 直方图均衡化

def histeq(im, nbr_bins=256):
    """对一幅灰度图像进行直方图均衡化
    一个参数是灰度图像，一个是直方图中使用小区间的数目
    返回值 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"""

    # 计算图像的直方图
    imhist, bins = histogram(im.flatten(), nbr_bins)
    cdf = imhist.cumsum()  # cumulative distribution function
    cdf = 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

1.3.5 图像平均

def compute_average(imlist):
    """计算图像列表的平均图像
    图像平均是减少图像噪声的一种简单方式，通常用于艺术特效"""

    # 打开第一幅图像，将其存储在浮点型数组中
    averageim = array(Image.open(imlist[0]), 'f')

    for imname in imlist[1:]:
        try:
            averageim += array(Image.open(imname))
        except:
            print(imname+'...skipped')
    averageim /= len(imlist)

    # 返回uint8类型的平均图像
    return array(averageim, ' uint8')

1.3.6 图像的主成分分析（PCA）

# 1.3.6 图像的主成分分析(PCA)
# 指的是降维技巧
from PIL import Image
from pylab import *  # subplot函数属于pylab库
import os


# 批量处理图像类型的转换 ↓
def get_imlist(path):
    """返回目录中所有jpg图像的文件名列表"""
    return [os.path.join(path, f) for f in os.listdir(path) if f.endswith(".jpg")]
# ↑


def pca(X):
    """主成分分析：
    输入：矩阵X，矩阵中存储训练数据，每一行为一条训练数据
    输出：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
    print(dim)

    # 数据中心化
    mean_X = X.mean(axis=0)  # 均值
    print(mean_X.shape)
    X = X - mean_X

    if dim > num_data:  # PCA-使用紧致技巧
        M = dot(X, X.T)  # 协方差矩阵 转置 num_data行 和 列
        e, EV = linalg.eigh(M)  # 特征值和特征向量 方阵的特征值和特征向量
        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 = (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
        # 这里的sqrt什么意思，必须加吗？？？？？？
        for i in range(V.shape[1]):  # 列的数目
            V[:, i] /= S
    else:  # PCA-使用SVD方法
        U, S, V = linalg.svd(X)
        V = V[:num_data]  # 仅仅返回前num_data维的数据才合理

    # 返回投影矩阵、方差和均值
    return V, S, mean_X


imlist = get_imlist('C:/Users/Lenovo/Desktop/picture')
im = array(Image.open(imlist[0]).convert('L'))  # 打开一幅图像，获取其大小
m, n = im.shape[0:2]  # 获取图像的大小
print(im.flatten().shape)
print(m,n)
imnbr = len(imlist)  # 获取图像的数目

# 创建矩阵，保存所有压平后的图像数据  图片大小须一致
immatrix = array([array(Image.open(im).convert('L')).flatten() for im in imlist], 'f')
print(immatrix.shape)

# 执行PCA操作
V, S, immean = pca(immatrix)

# 显示一些图像（均值图像和前7个模式）
figure()
gray()
subplot(2,2,1)
imshow(immean.reshape(m,n))
for i in range(3):
    subplot(2,2,i+2)
    imshow(V[i].reshape(m,n))

show()

1.3.7 使用pickle模块

保存图像和主成分

# 保存平均图像和主成分
f = open('pca_modes.pkl', 'wb')
pickle.dump(immean, f)
pickle.dump(V, f)
f.close()
# 载入平均图像和主成分
f = open('pca_modes.pkl', 'rb')
immean = pickle.load(f)
V = pickle.load(f)
f.close()
# 注意载入对象的顺序必须和先前保存的一样

用with处理文件的读写操作

# 使用with语句处理文件的读写操作
# 自动打开和关闭文件（即使在文件打开时发生错误）
# 打开文件并保存
with open('pca_modes.pkl', 'wb') as f:
    pickle.dump(immean, f)
    pickle.dump(V, f)
# 打开文件并载入
with open('pca_modes.pkl', 'rb') as f:
    immean = pickle.load(f)
    V = pickle.load(f)

 

numpy具有读写文本文件的简单函数  举例

# numpy具有读写文本文件的简单函数
# 举例
a = [(2,3),(1,3),(8,9)]
savetxt('test.txt', a)  # 最后一个参数表示使用整数格式
ae = loadtxt('test.txt')