python图像处理（二）.PIL图像处理库学习②

我不是女神ヾ 2022-01-21 06:31 539阅读 0赞

实验环境：windows10，pyCharm

本文在如下博文的基础上进行：

[python图像处理 （一）.PIL图像处理库学习①][python_ _.PIL]

## **1、自定义创建图片** ##

PIL除了可以从文件中打开一张图片，我们也可以创建一张图片

Image.new(mode,size) ⇒ image
    Image.new(mode, size,color) ⇒ image

创建具有给定模式和大小的新图像。Size以(宽、高)-元组的形式给出，单位为像素。对于单通道图像，变量color只给定一个值；对于多通道图像，变量color给定一个元组（每个通道对应一个值），如果省略颜色参数，则图像将填充0(这通常对应于黑色)。如果颜色为None，则不初始化图像。如果你要在图像中粘贴或绘制东西，这是很有用的。

如下创建了一张三通道大小为255\*255的红色图像：

from PIL import Image  #导入PIL库中的Image模块
    im = Image.new("RGB", (128, 128), "red") #新建图像
    im.show()

显示效果如下：

![20190609152317621.PNG][]

## ** 2、复制图像** ##

im.crop(box) ⇒ image

复制图像。如果您希望将内容粘贴到图像中，但仍保留原始内容，请使用此方法。

如下返回的和原图一样的：

from PIL import Image  #导入PIL库中的Image模块
    im = Image.new("RGB", (225, 225), "red")  #新建图像
    new_im = im.copy() #复制图像

## **3、裁剪图像** ##

im.crop(box) ⇒ image

从当前图像返回矩形区域的副本。box是一个定义左、上、右和下像素坐标的4元组。  
这是一个延迟操作。对源图像的更改可以反映在裁剪后的图像中，也可以不反映在裁剪后的图像中。要获得单独的副本，请调用裁剪副本上的load方法。

代码如下：

from PIL import Image  #导入PIL库中的Image模块
    im = Image.open("images/mm.png")
    im.show()  #显示原图
    box = (100,100,300,300)  #裁剪区域
    new_im = im.crop(box) #裁剪图片
    new_im.show()  #显示裁剪区域

效果如下：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p6cWFhYXNzcw_size_16_color_FFFFFF_t_70][]![20190609164504680.PNG][]

## **4、粘贴图像** ##

im.paste(image, box)

将另一个图像粘贴到此图像中。box参数要么是一个给出左上角的2元组，要么是一个定义左、上、右和下像素坐标的4元组，要么没有(与(0,0)相同)。如果给定一个4元组，则粘贴图像的大小必须与区域的大小匹配。  
如果模式不匹配，则将粘贴的图像转换为此图像的模式

如下打开一张图像然后在图像上粘贴一个自己创建的图像：

from PIL import Image  #导入PIL库中的Image模块
    im1 = Image.open("images/mm.png")
    box = (100,100,300,300)  #粘贴区域
    im2 = Image.new('RGB',(200,200),'red')  #创建一张图像
    im1.paste(im2,box) #在box区域粘贴im2图像
    im1.show()

效果如下：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p6cWFhYXNzcw_size_16_color_FFFFFF_t_70 1][]

**使用：im1.paste('red',box) 和上面效果相同**

## 5、滤波器 ##

im.filter(filter) ⇒ image

返回由给定过滤器过滤的图像的副本。有关可用过滤器的列表，请参见下表。

<table style="width:500px;"> 
 <tbody> 
  <tr> 
   <td> <p>filtes</p> </td> 
   <td>描述</td> 
  </tr> 
  <tr> 
   <td>BLUR</td> 
   <td>模糊滤镜</td> 
  </tr> 
  <tr> 
   <td>CONTOUR</td> 
   <td>轮廓滤镜</td> 
  </tr> 
  <tr> 
   <td>DETAIL</td> 
   <td>细节滤镜</td> 
  </tr> 
  <tr> 
   <td>EDGE_ENHANCE</td> 
   <td>边界增强滤镜</td> 
  </tr> 
  <tr> 
   <td>EDGE_ENHANCE_MORE</td> 
   <td>边界增强加强版滤镜</td> 
  </tr> 
  <tr> 
   <td>&nbsp;EMBOSS</td> 
   <td>浮雕滤镜</td> 
  </tr> 
  <tr> 
   <td>FUND_EDGES</td> 
   <td>寻找边界滤镜</td> 
  </tr> 
  <tr> 
   <td>SMOOTH</td> 
   <td>平滑滤镜</td> 
  </tr> 
  <tr> 
   <td>SOOTH_MORE</td> 
   <td>平滑滤镜加强版</td> 
  </tr> 
  <tr> 
   <td>SHARPEN</td> 
   <td>锐化滤镜</td> 
  </tr> 
 </tbody> 
</table>

如下举个小列子：

from PIL import Image  #导入PIL库中的Image模块
    from PIL import ImageFilter  #导入PIL库中的ImageFilter模块
    im = Image.open("images/mm.png").resize((255,255))
    im.show()
    BLUR_im = im.filter(ImageFilter.BLUR)
    CONTOUR_im = im.filter(ImageFilter.CONTOUR)
    DETAIL_im = im.filter(ImageFilter.DETAIL)
    EMBOSS_im = im.filter(ImageFilter.EMBOSS)
    DETAIL_im.show()
    EMBOSS_im.show()
    BLUR_im.show()
    CONTOUR_im.show()

效果如下：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p6cWFhYXNzcw_size_16_color_FFFFFF_t_70 2][]![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p6cWFhYXNzcw_size_16_color_FFFFFF_t_70 3][]![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p6cWFhYXNzcw_size_16_color_FFFFFF_t_70 4][]![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p6cWFhYXNzcw_size_16_color_FFFFFF_t_70 5][]![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p6cWFhYXNzcw_size_16_color_FFFFFF_t_70 6][]

剩下的自己试下。

## **6、混合图像** ##

Image.blend(image1, image2, alpha) ⇒ image

使用给定的两张图像及透明度变量alpha，插值出一张新的图像。这两张图像必须有一样的尺寸和模式。混合公式如下：

混合公式为：out = image1 (1.0 - alpha) + image2 alpha

若变量alpha为0.0，返回第一张图像的拷贝。若变量alpha为1.0，将返回第二张图像的拷贝。对变量alpha的值无限制。

例子如下：

from PIL import Image  #导入PIL库中的Image模块
    from PIL import ImageFilter  #导入PIL库中的ImageFilter模块
    im1 = Image.open("images/mm.png").resize((255,255)).convert('RGB') #为了和图像2的大小和模式一样重置大小和模式
    im2 = Image.open("images/rb.jpg").resize((255,255))  ##为了和图像1的大小和模式一样重置大小和模式
    #im1和im2按照第一张60%的透明度，第二张40%的透明度，合成为一张。
    new_im = Image.blend(im1,im2,0.6) #混合图像
    new_im.show()

效果如下：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p6cWFhYXNzcw_size_16_color_FFFFFF_t_70 7][]

## ** 7、分离图像** ##

im.split() ⇒ sequence

返回当前图像各个通道组成的一个元组。例如，分离一个“RGB”图像将产生三个新的图像，分别对应原始图像的每个通道（红，绿，蓝）

测试代码如下：

from PIL import Image  #导入PIL库中的Image模块
    im = Image.open("images/mm.png").resize((128,128)).convert('RGB')
    r,g,b = im.split()
    r.show()
    g.show()
    b.show()

效果如下：

![20190609181604135.PNG][]![20190609181619809.PNG][]![20190609181634888.PNG][]

差别不是很大，但还是有差别的。

[python_ _.PIL]: https://blog.csdn.net/zzqaaasss/article/details/91129779
[20190609152317621.PNG]: /images/20220121/50b74bd03f6a4821ab77180f836f8fca.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p6cWFhYXNzcw_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20190609164416820.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p6cWFhYXNzcw==,size_16,color_FFFFFF,t_70
[20190609164504680.PNG]: /images/20220121/89e1931b2c764446a9da709c486d0307.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p6cWFhYXNzcw_size_16_color_FFFFFF_t_70 1]: /images/20220121/ed1e7a18491e4f10a93bd51c9cbc436c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p6cWFhYXNzcw_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20190609173321606.PNG?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p6cWFhYXNzcw==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p6cWFhYXNzcw_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20190609173429763.PNG?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p6cWFhYXNzcw==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p6cWFhYXNzcw_size_16_color_FFFFFF_t_70 4]: https://img-blog.csdnimg.cn/20190609173444111.PNG?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p6cWFhYXNzcw==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p6cWFhYXNzcw_size_16_color_FFFFFF_t_70 5]: https://img-blog.csdnimg.cn/20190609173456131.PNG?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p6cWFhYXNzcw==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p6cWFhYXNzcw_size_16_color_FFFFFF_t_70 6]: /images/20220121/5c258d7cfaa6430b9a8369cbc7f2e6fb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p6cWFhYXNzcw_size_16_color_FFFFFF_t_70 7]: /images/20220121/bc20532b475844368ea7681818057db7.png
[20190609181604135.PNG]: https://img-blog.csdnimg.cn/20190609181604135.PNG
[20190609181619809.PNG]: https://img-blog.csdnimg.cn/20190609181619809.PNG
[20190609181634888.PNG]: /images/20220121/3231b49124d74c7aa63cbf4387a15dba.png