PIL图像处理-二值化

梦里梦外; 2022-03-16 01:57 441阅读 0赞

时隔很久才知道原来这种对图像的处理方式叫做二值化！什么是二值化呢？就是把一张图的像素点编程0或255，完全的白或黑。

比如这么一张32\*32的小图片（当然他已经是黑白的了）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70]  
二值化处理之后，每个像素点上就只有两个值，要么是True要么是False。  
将其转化为0，1之后，就变成下面这样

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70 1]  
这样处理数据会很方便。

--------------------

需要导入的库是PIL

源码

from PIL import Image
    import numpy as np
    img = Image.open('2.png')
    img = img.convert('1') # 图像二值化
    arr = np.array(img)
    
    for i in range(32):
        for j in range(32):
            if arr[i, j] == True:
                print('0', end='')
            else:
                print('1', end='')
        print()

--------------------

改变图片像素  
如将一张320*320的数字图片，变成我们需要处理的32*32规格的图片。  
原图  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70 2]  
转化后图  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70 3]  
代码

from PIL import Image
    def produceImage(file_in, width, height, file_out):
        image = Image.open(file_in)
        resized_image = image.resize((width, height), Image.ANTIALIAS)
        resized_image.save(file_out)
     
    
    file_in = '6.1.png'
    width = 32
    height = 32
    file_out = '6.1.out.png'
    produceImage(file_in, width, height, file_out)

参考：[https://blog.csdn.net/xiaosa\_kun/article/details/84868348][https_blog.csdn.net_xiaosa_kun_article_details_84868348]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70]: /images/20220316/e2d495c73d6245e9bd641c9b2af51e33.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70 1]: /images/20220316/4eb8b83e55784cc88bfb672d88d58820.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70 2]: /images/20220316/59ce5e09c8bc492090fb1437eeb3c0b7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaDI2MjIwNzUxMjc_size_16_color_FFFFFF_t_70 3]: /images/20220316/874cf5a80a864ec7ad77031ecdbb68b1.png
[https_blog.csdn.net_xiaosa_kun_article_details_84868348]: https://blog.csdn.net/xiaosa_kun/article/details/84868348