用Python做图像处理

╰+哭是因爲堅強的太久メ 2022-02-18 14:29 274阅读 0赞

**用Python做图像处理**

width="750" height="110" id="alimamaifrm" src="http://p.alimama.com/cpacode.php?t=A&pid=mm\_10108440\_0\_0&w=750&h=110&rn=1&cn=3&ky=&cid=251602&bgc=FFFFFF&bdc=E6E6E6&tc=0000FF&dc=000000" scrolling="no">

最近在做一件比较 evil 的事情——验证码识别，以此来学习一些新的技能。因为我是初学，对图像处理方面就不太了解了，欲要利吾事，必先利吾器，既然只是做一下实验，那用 Python 来作原型开发再好不过了。在 Python 中，比较常用的图像处理库是 PIL(Python Image Library)，当前版本是 1.1.6 ，用起来非常方便。大家可以在 [http://www.pythonware.com/products/pil/index.htm][http_www.pythonware.com_products_pil_index.htm] 下载和学习。

在这里，我主要是介绍一下做图像识别时可能会用到的一些 PIL 提供的功能，比如图像增强、还有滤波之类的。最后给出使用 Python 做图像处理与识别的优势与劣势。

**基本图像处理**

使用 PIL 之前需要 import Image 模块：

import Image

然后你就可以使用Image.open(‘xx.bmp’) 来打开一个位图文件进行处理了。打开文件你不用担心格式，也不用了解格式，无论什么格式，都只要把文件名丢给 Image.open 就可以了。真所谓 bmp、jpg、png、gif……，一个都不能少。

img = Image.open(‘origin.png’)     \# 得到一个图像的实例对象 img

![105b915713a74058a8b805dd5dffcceb.png][]

图 1原图

图像处理中，最基本的就是色彩空间的转换。一般而言，我们的图像都是 RGB 色彩空间的，但在图像识别当中，我们可能需要转换图像到灰度图、二值图等不同的色彩空间。　PIL 在这方面也提供了极完备的支持，我们可以：

new\_img = img.convert(‘L’)

把 img 转换为 256 级灰度图像， convert() 是图像实例对象的一个方法，接受一个 mode 参数，用以指定一种色彩模式，mode 的取值可以是如下几种：

· 1 (1-bit pixels, black and white, stored with one pixel per byte)

· L (8-bit pixels, black and white)

· P (8-bit pixels, mapped to any other mode using a colour palette)

· RGB (3x8-bit pixels, true colour)

· RGBA (4x8-bit pixels, true colour with transparency mask)

· CMYK (4x8-bit pixels, colour separation)

· YCbCr (3x8-bit pixels, colour video format)

· I (32-bit signed integer pixels)

· F (32-bit floating point pixels)

怎么样，够丰富吧？其实如此之处，PIL 还有限制地支持以下几种比较少见的色彩模式：LA (L with alpha), RGBX (true colour with padding) and RGBa (true colour with premultiplied alpha)。

下面看一下 mode 为 ‘1’、’L’、’P’时转换出来的图像：

![f14443bd90b74f4f9d714156dd35f6d8.gif][]

图 2 mode = '1'

![8511e85898a44bf4bd8902fe830a18f8.gif][]

图 3 mode = 'L'

![586b0aefd5b84cee880676449805f843.gif][]

图 4 mode = 'P'

convert() 函数也接受另一个隐含参数 matrix，转换矩阵 matrix 是一个长度为4 或者16 tuple。下例是一个转换 RGB 空间到 CIE XYZ 空间的例子：

rgb2xyz = (

0.412453, 0.357580, 0.180423, 0,

0.212671, 0.715160, 0.072169, 0,

0.019334, 0.119193, 0.950227, 0 )

out = im.convert("RGB", rgb2xyz)

除了完备的色彩空间转换能力外， PIL 还提供了resize()、rotate()等函数以获得改变大小，旋转图片等几何变换能力，在图像识别方面，图像实例提供了一个 histogram() 方法来计算直方图，非常方便实用。

**图像增强**

图像增强通常用以图像识别之前的预处理，适当的图像增强能够使得识别过程达到事半功倍的效果。 PIL 在这方面提供了一个名为 ImageEnhance 的模块，提供了几种常见的图像增强方案：

import ImageEnhance

enhancer = ImageEnhance.Sharpness(image)

for i in range(8):

factor = i / 4.0

enhancer.enhance(factor).show("Sharpness %f" % factor)

上面的代码即是一个典型的使用 ImageEnhance 模块的例子。 Sharpness 是 ImageEnhance 模块的一个类，用以锐化图片。这一模块主要包含如下几个类：Color、Brightness、Contrast和Sharpness。它们都有一个共同的接口 .enhance(factor) ，接受一个浮点参数 factor，标示增强的比例。下面看看这四个类在不同的 factor 下的效果

![5825d40ae0f549df99e342aa0c429534.gif][] ![d96015d0754d41f08647dc815894f5ef.png][]

![7e93135f6fe04b87b7ada0ef04913629.png][] ![77520434439d47e581215a982db95af4.png][]

![6cc251a0067a4af5a0a46a9b175a688a.png][] ![4f2df2149b454d7fa8c8bcc15170df4e.png][]

![d36a9bd9869542f5bbb3a6f3519c8d1e.png][] ![05e8e4288895469e9284860465e4ba37.png][]

![b0599566b758443b983eb37a0ac4b746.png][]

图 5 使用Color 进行色彩增强，factor 取值 \[0, 4\]，步进 0.5

![e1038e8403c74c08ac940babf2e64d5e.gif][] ![0c4ae712efb44fc7a57328c1e6fed53c.png][]

![b5d1a48f62a24d4a8607229c4c8abdf5.png][] ![4cd2ae28e2e049aa8db613d297087f77.png][]

![7d6bb44bcbe8423c93fafcbc8e022337.png][] ![7dc67787176d4e299c6f55db64c97e99.png][]

![b32d9a55c1214c779640008df29d8064.png][] ![36359d1eb3524bd7847b2cded7c55f00.png][]

![376a2121991b425aa61ad3c17d8e1188.png][]

图 6 用 Birghtness 增强亮度，factor取值\[0,4\]，步进0.5

![2f3db13678e64ba38c0c965697731749.gif][] ![6f7456f4bd1f44a3a784f9c4a73cc857.png][]

![8f1018ae79dd469586c46c582f0f4870.png][] ![59a251551fa34309874077c816a607c5.png][]

![a6263e65f2964f2980be436a713c8b98.png][] ![1f10bf7cdea646cb965e808ddd1a32ef.png][]

![10a23b13304c4afebb20f51f0ababfd8.png][] ![e4ef2a90fe204789a6b850e5d98c90e1.png][]

![b8648bc7943448228c2d3a371bd74ea0.png][]

图 7用 Contrast 增强对比度， factor 取值 \[0,4\]，步进0.5

![72bc4b5b9a944ceda41824738da20769.png][] ![6e10be3591514893b3eff5a2ac0b7a7d.png][]

![01bad57e33144a4b82177ad1f1e501a5.png][] ![b0e362ef4f704927a28958856dd60fea.png][]

![6a204aac6bf340c2ad4c95ab48074b62.png][] ![f4c61612c912488ba3be374dd2cfd4cd.png][]

![91c4a4cf198a4ca882030481e2ccc2b7.png][] ![c6a522c59fca412c83a9f675467734f8.png][]

![7409f2ee93c046fdb2970750c59b9171.png][]

图 8用 Sharpness 锐化图像，factor取值 \[0,4\]，步进0.5

**图像 Filter**

PIL 在 Filter 方面的支持是非常完备的，除常见的模糊、浮雕、轮廓、边缘增强和平滑，还有中值滤波、ModeFilter等，简直方便到可以做自己做一个Photoshop。这些 Filter 都放置在 ImageFilter 模块中，ImageFilter主要包括两部分内容，一是内置的 Filter，如 BLUR、DETAIL等，另一部分是 Filter 函数，可以指定不同的参数获得不同的效果。示例如下：

import ImageFilter

im1 = im.filter(ImageFilter.BLUR)

im2 = im.filter(ImageFilter.MinFilter(3))

im3 = im.filter(ImageFilter.MinFilter()) \# same as MinFilter(3)

可以看到 ImageFilter 模块的使用非常简单，每一个 Filter 都只需要一行代码就可调用，开发效率非常高。

![a5e65f4337a24e04a7fd275d18c2e258.png][]

图 9使用 BLUR

![8ec143c4358d45a390adbbc9c7698bd9.png][]

图 10使用 CONTOUR

![15d50813d32242a3b597741c2e1e5271.png][]

图 11使用 DETAIL

![d8141bcc3ab34206939aec6014a50b28.png][]

图 12使用 EMBOSS

![ce9e7a19139e4fe084b0aef0de156f34.png][]

图 13使用 EDGE\_ENHANCE

![17560f5dfb644e8d9f93e050b1757b99.png][]

图 14使用 EDGE\_ENHANCE\_MORE

![aa6b94ee9b964c89a7ad0f3b2204ccd7.png][]

图 15使用 FIND\_EDGES

![8ae9c4fb3630455f9101756ce4432e66.png][]

图 16使用 SHARPEN

![abaae387f57c4edebbbb0b52caf3de56.png][]

图 17使用 SMOOTH

![570b17ae469645199568736b5b50e7cf.png][]

图 18使用 SMOOTH\_MORE

以上是几种内置的 Filter 的效果图，除此之外， ImageFilter 还提供了一些 Filter 函数，下面我们来看看这些可以通过参数改变行为的 Filter 的效果：

![f18ed465b925443e84156bd27adf05d1.png][]

图 19使用 Kernel()，参数：size = (3, 3), kernel = (0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5)

![e20d44d8fa6a4ad5b0ce84688b683c05.png][]

图 20使用 MaxFilter，默认参数

![a8bf4eb9e140460c8f9ea6b52849c017.png][]

图 21使用 MinFilter，默认参数

![cce283a6f92f4b0b818a2497f242cbf6.png][]

图 22使用 MedianFilter，默认参数

![ef010a1a01a44ddf802c3bf1b3ac0beb.png][]

图 23使用 ModeFilter，参数 size = 3

![cdf0142eb6064994a0af672de451fb2b.png][]

图 24使用 RankFilter，参数 size = 3, rank = 3

**小结**

到此，对 PIL 的介绍就告一段落了。总的来说，对于图像处理和识别，PIL 内建了强大的支持，从各种增强算法到 Filter ，都让人无法怀疑使用 Python 的可行性。 Python唯一的劣势在于执行时间过慢，特别是当实现一些计算量大的算法时候，需要极强的耐心。我曾用 Hough Transform（霍夫变换）来查找图像中的直线，纯 Python 的实现处理一个 340 \* 100 的图片也要花去数秒时间（P4 3.0G + 1G memory）。但使用 PIL 无需关注图像格式、内建的图像增强算法和 Filter 算法，这些优点使 Python 适合用于构造原型和进行实验，在这两方面Python 比 matlab 更加方便。商业的图像识别产品开发，可以考虑已经被 boost accepted的来自 adobe 的开源 C++ 库 gil，可以兼顾执行性能和开发效率。

width="750" height="110" src="http://p.alimama.com/cpacode.php?t=A&pid=mm\_10108440\_0\_0&w=750&h=110&rn=1&cn=3&ky=%CA%E9&cid=50000072&bgc=FFFFFF&bdc=E6E6E6&tc=0000FF&dc=000000" scrolling="no">

[http_www.pythonware.com_products_pil_index.htm]: http://www.pythonware.com/products/pil/index.htm
[105b915713a74058a8b805dd5dffcceb.png]: /images/20220218/d07eebc35ae344fca2b55555f6957fc9.png
[f14443bd90b74f4f9d714156dd35f6d8.gif]: /images/20220218/2261cd1d86d04f66ad930e1934b2c68e.png
[8511e85898a44bf4bd8902fe830a18f8.gif]: /images/20220218/e0afd678580c4bc3885c12992162309a.png
[586b0aefd5b84cee880676449805f843.gif]: /images/20220218/37cf28532fb84d11af954ddd14b64f0f.png
[5825d40ae0f549df99e342aa0c429534.gif]: https://p-blog.csdn.net/images/p_blog_csdn_net/lanphaday/5825d40ae0f549df99e342aa0c429534.gif
[d96015d0754d41f08647dc815894f5ef.png]: /images/20220218/3f580ab5064c42cb9a88f54cc556d378.png
[7e93135f6fe04b87b7ada0ef04913629.png]: https://p-blog.csdn.net/images/p_blog_csdn_net/lanphaday/7e93135f6fe04b87b7ada0ef04913629.png
[77520434439d47e581215a982db95af4.png]: /images/20220218/eacb8c7328114c489a992f8fa9e98b5b.png
[6cc251a0067a4af5a0a46a9b175a688a.png]: https://p-blog.csdn.net/images/p_blog_csdn_net/lanphaday/6cc251a0067a4af5a0a46a9b175a688a.png
[4f2df2149b454d7fa8c8bcc15170df4e.png]: /images/20220218/ee012aca04484fd0b138db643a410d8f.png
[d36a9bd9869542f5bbb3a6f3519c8d1e.png]: https://p-blog.csdn.net/images/p_blog_csdn_net/lanphaday/d36a9bd9869542f5bbb3a6f3519c8d1e.png
[05e8e4288895469e9284860465e4ba37.png]: /images/20220218/11f3d9768f294fa0b7306afb6573167d.png
[b0599566b758443b983eb37a0ac4b746.png]: /images/20220218/22d84ca897274d8ab4685b865c94bf91.png
[e1038e8403c74c08ac940babf2e64d5e.gif]: https://p-blog.csdn.net/images/p_blog_csdn_net/lanphaday/e1038e8403c74c08ac940babf2e64d5e.gif
[0c4ae712efb44fc7a57328c1e6fed53c.png]: /images/20220218/5383131ba9f84652b4985ff36354b098.png
[b5d1a48f62a24d4a8607229c4c8abdf5.png]: https://p-blog.csdn.net/images/p_blog_csdn_net/lanphaday/b5d1a48f62a24d4a8607229c4c8abdf5.png
[4cd2ae28e2e049aa8db613d297087f77.png]: /images/20220218/35b64dada5fb4e0b89fad8074c72f275.png
[7d6bb44bcbe8423c93fafcbc8e022337.png]: https://p-blog.csdn.net/images/p_blog_csdn_net/lanphaday/7d6bb44bcbe8423c93fafcbc8e022337.png
[7dc67787176d4e299c6f55db64c97e99.png]: /images/20220218/e4c86e618d034f24bbb22106e342313d.png
[b32d9a55c1214c779640008df29d8064.png]: https://p-blog.csdn.net/images/p_blog_csdn_net/lanphaday/b32d9a55c1214c779640008df29d8064.png
[36359d1eb3524bd7847b2cded7c55f00.png]: /images/20220218/ceac9dca241f47f28a3ccb3db5800594.png
[376a2121991b425aa61ad3c17d8e1188.png]: /images/20220218/209822f9735b4fc2b4a5b987b56b5873.png
[2f3db13678e64ba38c0c965697731749.gif]: https://p-blog.csdn.net/images/p_blog_csdn_net/lanphaday/2f3db13678e64ba38c0c965697731749.gif
[6f7456f4bd1f44a3a784f9c4a73cc857.png]: /images/20220218/fed1c69f465e4deabfd7e3466e324d55.png
[8f1018ae79dd469586c46c582f0f4870.png]: https://p-blog.csdn.net/images/p_blog_csdn_net/lanphaday/8f1018ae79dd469586c46c582f0f4870.png
[59a251551fa34309874077c816a607c5.png]: /images/20220218/46c4c75238744910b538e3bf8e62b247.png
[a6263e65f2964f2980be436a713c8b98.png]: https://p-blog.csdn.net/images/p_blog_csdn_net/lanphaday/a6263e65f2964f2980be436a713c8b98.png
[1f10bf7cdea646cb965e808ddd1a32ef.png]: /images/20220218/cc3666f6a926427da6d8fed8aa7a357b.png
[10a23b13304c4afebb20f51f0ababfd8.png]: https://p-blog.csdn.net/images/p_blog_csdn_net/lanphaday/10a23b13304c4afebb20f51f0ababfd8.png
[e4ef2a90fe204789a6b850e5d98c90e1.png]: /images/20220218/e117893fdc784122b7edd30e74cc3bd4.png
[b8648bc7943448228c2d3a371bd74ea0.png]: /images/20220218/cb5625fede1f4c5a9c8f24f886b9c29a.png
[72bc4b5b9a944ceda41824738da20769.png]: https://p-blog.csdn.net/images/p_blog_csdn_net/lanphaday/72bc4b5b9a944ceda41824738da20769.png
[6e10be3591514893b3eff5a2ac0b7a7d.png]: /images/20220218/e11086ae782948cf9f0282002f7566eb.png
[01bad57e33144a4b82177ad1f1e501a5.png]: https://p-blog.csdn.net/images/p_blog_csdn_net/lanphaday/01bad57e33144a4b82177ad1f1e501a5.png
[b0e362ef4f704927a28958856dd60fea.png]: /images/20220218/2dfbe37925df4fa49f452ea3935e7590.png
[6a204aac6bf340c2ad4c95ab48074b62.png]: https://p-blog.csdn.net/images/p_blog_csdn_net/lanphaday/6a204aac6bf340c2ad4c95ab48074b62.png
[f4c61612c912488ba3be374dd2cfd4cd.png]: /images/20220218/6776fa66fbb54e68ae033ef04dc65a27.png
[91c4a4cf198a4ca882030481e2ccc2b7.png]: https://p-blog.csdn.net/images/p_blog_csdn_net/lanphaday/91c4a4cf198a4ca882030481e2ccc2b7.png
[c6a522c59fca412c83a9f675467734f8.png]: /images/20220218/6c25da7fc1014d38b4b3247a64c25e90.png
[7409f2ee93c046fdb2970750c59b9171.png]: /images/20220218/bdb0ca23cf054ca980dc640406a7a789.png
[a5e65f4337a24e04a7fd275d18c2e258.png]: /images/20220218/5a1e1820251b4ddface4adf741298c01.png
[8ec143c4358d45a390adbbc9c7698bd9.png]: /images/20220218/eb55252b010f43d4b2627fabdbc24903.png
[15d50813d32242a3b597741c2e1e5271.png]: /images/20220218/396433056b594e13a0c1ec3e89094284.png
[d8141bcc3ab34206939aec6014a50b28.png]: /images/20220218/bea9c0d62f3e4f769b3f0a592abe3f63.png
[ce9e7a19139e4fe084b0aef0de156f34.png]: /images/20220218/391b9206141e4dbab20a5570bc3c834f.png
[17560f5dfb644e8d9f93e050b1757b99.png]: /images/20220218/ad4c0f818f8e436cb961a97f97ea052d.png
[aa6b94ee9b964c89a7ad0f3b2204ccd7.png]: /images/20220218/74f541b5b39747628427813e06395cca.png
[8ae9c4fb3630455f9101756ce4432e66.png]: /images/20220218/2c73a10518ca4d40a1aa5ed8f24abcb6.png
[abaae387f57c4edebbbb0b52caf3de56.png]: /images/20220218/441b22e2802844e0865d8500f36d091b.png
[570b17ae469645199568736b5b50e7cf.png]: /images/20220218/00fd2285384d452ba722a7ade0e8c696.png
[f18ed465b925443e84156bd27adf05d1.png]: /images/20220218/4535db21477d480d8fc15691294905b9.png
[e20d44d8fa6a4ad5b0ce84688b683c05.png]: /images/20220218/a3c33d4bc5e44a899691a3a73a9dacf3.png
[a8bf4eb9e140460c8f9ea6b52849c017.png]: /images/20220218/b3cd1adf2b9c4f0f8b70fe04c69db0d6.png
[cce283a6f92f4b0b818a2497f242cbf6.png]: /images/20220218/bd2e74d3be954f52b91dcdc898c9b829.png
[ef010a1a01a44ddf802c3bf1b3ac0beb.png]: /images/20220218/fb7c88aafa904c0890a2a80013a31a81.png
[cdf0142eb6064994a0af672de451fb2b.png]: /images/20220218/802ad29ce5ef436c848d120ae0e2e045.png