【python】各类图像库图片
主流python图像库：
目录
opencv
图片读取: cv2.imread
图片的矩阵格式变换：img.transpose(2,0,1)
图片归一化：img.astype("float") / 255.0
存储图片：cv2.imwrite
opencv BGR to RGB：cv2.cvtColor(img4,cv2.COLOR_BGR2RGB)
访问像素
ROI操作(region of interest)
通道操作：cv2.imread cv2.merge
PIL
图片读写：Image.open
图片转矩阵：np.array
矩阵再转为图像：Image.fromarray
分离合并通道
ROI获取
matplotlib
图像读取：plt.imread
scipy.misc scipy.misc.imread
skimage skimage.io.imread
总结
opencv
图片读取: cv2.imread
opencv读进来的图片已经是一个numpy矩阵了，数据类型是uint8。
import cv2
import numpy as np
#读入图片：默认彩色图，cv2.IMREAD_GRAYSCALE灰度图，cv2.IMREAD_UNCHANGED包含alpha通道
img = cv2.imread('1.jpg')
cv2.imshow('src',img)
print(img.shape) # (h,w,c) 高度 宽度 通道数
print(img.size) # 像素总数目
print(img.dtype) # 数据类型
print(img) 
如果转为灰度图：
gray = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)
cv2.imshow('gray',gray)注意，计算图片路径是错的，Opencv也不会提醒你，但print img时得到的结果是None
图片的矩阵格式变换：img.transpose(2,0,1)
opencv读入图片的矩阵格式是：（height,width,channels）
而在深度学习中，因为要对不同通道应用卷积，有时候会采取另一种方式：（channels,height,width）
print(img.shape)
img = img.transpose(2,0,1)
print(img.shape) 
在深度学习搭建CNN时，往往要做相应的图像数据处理，比如图像要扩展维度，比如扩展成：（batch_size,channels,height,width）
#单张
img = np.expand_dims(img, axis=0)
print(img.shape)
#训练集
data_list = []
loop:
im = cv2.imread('xxx.png')
data_list.append(im)
data_arr = np.array(data_list)图片归一化：img.astype("float") / 255.0
因为opencv读入的图片矩阵数值是0到255，有时我们需要对其进行归一化为0~1
img3 = cv2.imread('1.jpg')
img3 = img3.astype("float") / 255.0 #注意需要先转化数据类型为float
print(img3.dtype)
print(img3)存储图片：cv2.imwrite
#存储图片
cv2.imwrite('test1.jpg',img3) #得到的是全黑的图片，因为我们把它归一化了
#所以要得到可视化的图，需要先*255还原
img3 = img3 * 255
cv2.imwrite('test2.jpg',img3) #这样就可以看到彩色原图了opencv BGR to RGB：cv2.cvtColor(img4,cv2.COLOR_BGR2RGB)
opencv对于读进来的图片的通道排列是BGR
#opencv读入的矩阵是BGR，如果想转为RGB，可以这么转
img4 = cv2.imread('1.jpg')
img4 = cv2.cvtColor(img4,cv2.COLOR_BGR2RGB)访问像素
#访问像素
print(img4[10,10]) #3channels
print(gray[10,10]) #1channel
img4[10,10] = [255,255,255]
gray[10,10] = 255
print(img4[10,10]) #3channels
print(gray[10,10]) #1channel
ROI操作(region of interest)
#roi操作
roi = img4[200:550,100:450,:]
cv2.imshow('roi',roi)
cv2.waitKey()通道操作：cv2.imread cv2.merge
#分离通道
img5 = cv2.imread('1.jpg')
b,g,r = cv2.split(img5)
#合并通道
img5 = cv2.merge((b,g,r))
#也可以不拆分
img5[:,:,2] = 0 #将红色通道值全部设0PIL：PIL.Image.open
Python Imaging Library，是一个很流行的图像库，比opencv更为轻巧，比较受欢迎。
from PIL import Image
import numpy as np图片读写：Image.open
PIL读进来的图像是一个对象，而不是我们所熟知的numpy矩阵。
img = Image.open('1.jpg')
print(img.format) # 图片格式
print(img.size) # 注意，省略了通道 (w，h)
print(img.mode) # L为灰度图，RGB为真彩色,RGBA为加了透明通道
img.show() # 显示图片
如果需要灰度图
gray = Image.open('1.jpg').convert('L')
gray.show()读取不到图片会抛出异常IOError，我们可以捕捉它，做异常处理
try:
img2 = Image.open('2.jpg')
except IOError:
print('fail to load image!')
图片转矩阵：np.array
pillow读进来的图片不是矩阵，我们将图片转矩阵, channel last
arr = np.array(img3)
print(arr.shape)
print(arr.dtype)
print(arr)
灰度图的转化与彩图转化一样
arr_gray = np.array(gray)
print(arr_gray.shape)
print(arr_gray.dtype)
print(arr_gray)
存储图片
矩阵再转为图像：Image.fromarray
new_im = Image.fromarray(arr)
new_im.save('3.png')分离合并通道
r, g, b = img.split()
img = Image.merge("RGB", (b, g, r))img = img.copy() #复制图像ROI获取
img3 = Image.open('1.jpg')
roi = img3.crop((0,0,300,300)) #(左上x，左上y，右下x，右下y)坐标
roi.show()matplotlib：matplotlib.image.imread
matplotlib是一个科学绘图神器，用的人非常多。
import matplotlib.pyplot as plt
import numpy as np图像读取：plt.imread
image = plt.imread('1.jpg')
plt.imshow(image)
plt.show()
也可以关闭显示x，y轴上的数字
image = plt.imread('1.jpg')
plt.imshow(image)
plt.axis('off')
plt.show()
plt.imread读入的就是一个矩阵，跟opencv一样，但彩图读进的是RGB，与opencv有区别
print(image.shape) # (h,w,c)
print(image.size)
print(image.dtype)
print(image)
im_r = image[:,:,0] #红色通道
plt.imshow(im_r)
plt.show()
#此时会发现显示的是热量图，不是我们预想的灰度图，可以添加 cmap 参数解决
plt.imshow(im_r,cmap='Greys_r')
plt.show()
plt与opencv结合使用
import cv2
im2 = cv2.imread('1.jpg')
plt.imshow(im2)
plt.axis('off')
plt.show()
#发现图像颜色怪怪的，原因是RGB顺序不同
im2 = cv2.cvtColor(im2,cv2.COLOR_BGR2RGB)
plt.imshow(im2)
plt.axis('off')
plt.show()
#所以无论用什么库读进图片，只要把图片改为矩阵，那么matplotlib就可以处理了
再试一试pillow和matplotlib结合
from PIL import Image
im3 = Image.open('1.jpg')
im3 = np.array(im3)
plt.figure(1)
plt.imshow(im3)
plt.axis('off')
#存储图像，注意，必须在show之前savefig，否则存储的图片一片空白
plt.savefig('timo.jpg')
plt.show()
#最后以一个综合例子总结matplotlib最基本的图片显示技巧吧
im_lol1 = plt.imread('lol.jpg')
im_lol2 = plt.imread('1.jpg')
figure = plt.figure(figsize=(20,10)) # 调整显示图片的大小
'''
figsize参数：指定绘图对象的宽度和高度，单位为英寸；dpi参数指定绘图对象的分辨率，
即每英寸多少个像素，缺省值为80。因此本例中所创建的图表窗口的宽度为8*80 = 640像素
'''
plt.axis("off")#不显示刻度
ax = figure.add_subplot(121) # 图片以1行2列的形式显示
plt.axis('off')
ax.imshow(im_lol1) #第一张图
ax.set_title('lol image 1')#给图片加titile
ax = figure.add_subplot(122)
plt.axis('off')
ax.imshow(im_lol2)
ax.set_title('lol image 2')#给图片加titile
plt.savefig('twp.jpg')
plt.show()
scipy.misc：scipy.misc.imread
from scipy import misc
import matplotlib.pyplot as pltim = misc.imread('1.jpg')
print(im.dtype)
print(im.size)
print(im.shape)
misc.imsave('misc1.png',im)
plt.imshow(im)
plt.show()
print(im)
可以看到，有warining，提示我们imread和imsave在后来的版本将会被弃用，叫我们使用imageio.imread和imageio.imwrite。
根据提示，使用imageio模块进行图片读写，warning也就没有了。
import imageio
im2 = imageio.imread('1.jpg')
print(im2.dtype)
print(im2.size)
print(im2.shape)
plt.imshow(im)
plt.show()
print(im2)
imageio.imsave('imageio.png',im2)
skimage：skimage.io.imread
from skimage import io
im = io.imread('1.jpg')
print(im.shape) # numpy矩阵，(h,w,c)
print(im.dtype)
print(im.size)
io.imshow(im)
io.imsave('sk.png',im)
print(im)
图像也是以numpy array形式读入。
灰度图的获取方式：
im2 = io.imread('1.jpg',as_grey=True) #读入灰度图
print(im2.dtype)
print(im2.size)
print(im2.shape)
io.imshow(im2)
io.imsave('sk_gray.png',im2)
io.show()
print(im2)
可以看到，灰度图像的矩阵的值被归一化了，注意注意！
也可以以这种方式获得灰度图：
from skimage import color
im3 = io.imread('1.jpg')
im3 = color.rgb2grey(im3)
print(im3.dtype)
print(im3.size)
print(im3.shape)
io.imshow(im3)
io.show()
'''
skimage.color.rgb2grey(rgb)
skimage.color.rgb2hsv(rgb)
skimage.color.rgb2lab(rgb)
skimage.color.gray2rgb(image)
skimage.color.hsv2rgb(hsv)
skimage.color.lab2rgb(lab)
'''
总结
-
除了opencv读入的彩色图片以BGR顺序存储外，其他所有图像库读入彩色图片都以RGB存储。
-
除了PIL读入的图片是img类之外，其他库读进来的图片都是以numpy矩阵。
-
各大图像库的性能，opencv无论是速度还是图片操作的全面性，都属于碾压的存在，毕竟他是一个巨大的cv专用库。下图为各个主流图像库的一些性能比较图。
