Python.Numpy的图片处理（读取，变换，保存）
使用Numpy的ndarray可以读取图片文件，并且可以对图片进行各种各样的处理。
例如：图片像素值的读取，替换，随机剪裁，拼接等等都可以使用ndarray。对于已经习惯使用Numpy的人们来说，已经可以不使用OpenCV进行图像处理。
即便是使用OpenCV进行图片处理的时候，OpenCV图像的读取也是使用的ndarray形式，所以直接使用Numpy将会更加的方便与快捷。
在此：对图片文件的基础读取，保存方法进行介绍
- Numpy图片文件的读取方法
- Numpy图片文件的保存方法
和一些Numpy的图像处理的实例进行介绍
- 像素值的读取和修改
- 图片的单色化和图片的拼接
- 减色处理
- 二值化处理
- 四则演算
- 切片修剪
- 按切片或函数的拆分
- 切片粘贴
- Alpha混合和遮罩处理
- 旋转和上/下/左/右 反转
等等进行说明。
图片文件读取（Numpy的ndarray形式）
使用以下的图片为例。
np.array中调用PIL.Image.open()函数进行读取，并且可以查看数据的类型和形状（shape，行(高)，列(宽)，色(通道数)）等信息。
需要注意的是色(通道数)的读取顺序是RGB(红，绿，蓝)。而OpenCV的cv2.imread()的读取顺序是（BGR），稍有不同。
from PIL import Image
import numpy as np
im = np.array(Image.open('data/lena.jpg'))
print(type(im))
# <class 'numpy.ndarray'>
print(im.dtype)
# uint8
print(im.shape)
# (225, 400, 3)
convert(‘L’)函数可以把图片转换成黑白图片（灰度图）之后，将图片作为2维数据进行读取。
此时形状只剩下了行(高)和列(宽)。
im_gray = np.array(Image.open('data/lena.jpg').convert('L'))
print(im_gray.shape)
# (225, 400)
使用np.asarray()同样可以返回得到一个ndarray的数组。但是使用np.array()返回的是一个允许被更改的ndarray，np.asarray()返回的ndarra不允许被更改。
'''np.array()'''
print(im.flags.writeable)
# True
print(im[0, 0, 0])
# 109
im[0, 0, 0] = 0
print(im[0, 0, 0])
# 0
'''np.asarray()'''
im_as = np.asarray(Image.open('data/src/lena.jpg'))
print(type(im_as))
# <class 'numpy.ndarray'>
print(im_as.flags.writeable)
# False
# im_as[0, 0, 0] = 0
# ValueError: assignment destination is read-only
图片的数据类型是以uint8（8位无符号整型）进行的读取。若想以float类型进行读取时，可以使用astype()进行转换，或者指定np.array()和np.asarray()的第2个参数（指定类型的读取）。
im_f = im.astype(np.float64)
print(im_f.dtype)
# float64
im_f = np.array(Image.open('data/src/lena.jpg'), np.float64)
print(im_f.dtype)
# float64
图片文件保存（Numpy的ndarray形式）
使用Image.fromarray()函数读取ndarray数据时，可以得到一个PIL.Image类型的文件。再使用save（）函数可以将其保存下来。被保存的文件格式，将根据其指定的扩展名自动进行判别。
pil_img = Image.fromarray(im)
print(pil_img.mode)
# RGB
pil_img.save('data/temp/lena_save_pillow.jpg')
黑白图片的保存也可以。
pil_img_gray = Image.fromarray(im_gray)
print(pil_img_gray.mode)
# L
pil_img_gray.save('data/temp/lena_save_pillow_gray.jpg')
简洁的写法
Image.fromarray(im).save('data/temp/lena_save_pillow.jpg')
Image.fromarray(im_gray).save('data/temp/lena_save_pillow_gray.jpg')
float类型进行保存时，有可能会出现错误。此时，需要将其类型转换成uint8之后，再保存。
# pil_img = Image.fromarray(im_f)
# TypeError: Cannot handle this data type
pil_img = Image.fromarray(im_f.astype(np.uint8))
pil_img.save('data/temp/lena_save_pillow.jpg')
使用astype()进行类型转换保存的时候，不会进行比例的缩放，所以当像素值为0.0-1.0之间的时候，需要先将其乘以255，再保存。
像素值的读取和修改
index[]可以取得指定坐标点的像素值。指定的顺序是行，列。xy的话，y，x的顺序指定。原点（0，0）为图片的左上角。
from PIL import Image
import numpy as np
im = np.array(Image.open('data/src/lena.jpg'))
print(im.shape)
# (225, 400, 3)
print(im[100, 150])
# [111 81 109]
print(type(im[100, 150]))
# <class 'numpy.ndarray'>
上述的实例中，（y，x）=（100，150）为第100行，150列的像素值。和上述的一样，使用Pillow，ndarray数组读取时，颜色的排列读取顺序为RGB，（R，G，B）=（110，81，109）。
R, G, B = im[100, 150]
print(R)
# 111
print(G)
# 81
print(B)
# 109
index[]指定像素值的读取。
print(im[100, 150, 0])
# 111
print(im[100, 150, 1])
# 81
print(im[100, 150, 2])
# 109
修改像素值的时候，可以RGB三色同时进行修改，或者单色修改。
im[100, 150] = (0, 50, 100)
print(im[100, 150])
# [ 0 50 100]
im[100, 150, 0] = 150
print(im[100, 150])
# [150 50 100]
在实际的日常操作中，通常是对图片整体或者是切片的部分进行操作，对单个像素值的操作并不常见。
图片的单色化和拼接
其他的像素值修改为0，单色图片的生成，以及横向的图片拼接。
from PIL import Image
import numpy as np
im = np.array(Image.open('data/src/lena_square.png'))
im_R = im.copy()
im_R[:, :, (1, 2)] = 0
im_G = im.copy()
im_G[:, :, (0, 2)] = 0
im_B = im.copy()
im_B[:, :, (0, 1)] = 0
# 向的图片拼接
im_RGB = np.concatenate((im_R, im_G, im_B), axis=1)
# im_RGB = np.hstack((im_R, im_G, im_B))
# im_RGB = np.c_['1', im_R, im_G, im_B]
pil_img = Image.fromarray(im_RGB)
pil_img.save('data/dst/lena_numpy_split_color.jpg')
处理结果
像素值的反转
用像素值的最大值（uint8类型）255减去其像素值。
import numpy as np
from PIL import Image
im = np.array(Image.open('data/src/lena_square.png').resize((256, 256)))
im_i = 255 - im
Image.fromarray(im_i).save('data/dst/lena_numpy_inverse.jpg')
减色处理
用//求其舍去余数值之后，再次相乘。则像素值为离散值，并且可以减少颜色的数量。
import numpy as np
from PIL import Image
im = np.array(Image.open('data/src/lena_square.png').resize((256, 256)))
im_32 = im // 32 * 32
im_128 = im // 128 * 128
im_dec = np.concatenate((im, im_32, im_128), axis=1)
Image.fromarray(im_dec).save('data/dst/lena_numpy_dec_color.png')
二值化处理
设定一个中间值，对图片进行非黑即白的二值化处理
四则运算
乘法，除法，累乘等计算。
函数可以对图片全体进行计算，所以无需使用for等循环函数。
from PIL import Image
import numpy as np
im = np.array(Image.open('data/src/lena_square.png'))
im_1_22 = 255.0 * (im / 255.0)**(1 / 2.2)
im_22 = 255.0 * (im / 255.0)**2.2
im_gamma = np.concatenate((im_1_22, im, im_22), axis=1)
pil_img = Image.fromarray(np.uint8(im_gamma))
pil_img.save('data/dst/lena_numpy_gamma.jpg')
计算的结果ndarray类型为float类型。所以最后保存时，需要先转换成uint8类型之后，再保存。
切片修剪
指定范围的矩形切片。
from PIL import Image
import numpy as np
im = np.array(Image.open('data/src/lena_square.png'))
print(im.shape)
# (512, 512, 3)
im_trim1 = im[128:384, 128:384]
print(im_trim1.shape)
# (256, 256, 3)
Image.fromarray(im_trim1).save('data/dst/lena_numpy_trim.jpg')
以左上角为原点，指定宽和高的裁剪。
def trim(array, x, y, width, height):
return array[y:y + height, x:x+width]
im_trim2 = trim(im, 128, 192, 256, 128)
print(im_trim2.shape)
# (128, 256, 3)
Image.fromarray(im_trim2).save('data/dst/lena_numpy_trim2.jpg')
按切片或函数的拆分
可以使用切片分割图片。与从图片边裁进行裁剪相同。
from PIL import Image
import numpy as np
im = np.array(Image.open('data/src/lena_square.png').resize((256, 256)))
print(im.shape)
# (256, 256, 3)
im_0 = im[:, :100]
im_1 = im[:, 100:]
print(im_0.shape)
# (256, 100, 3)
print(im_1.shape)
# (256, 156, 3)
Image.fromarray(im_0).save('data/dst/lena_numpy_split_0.jpg')
Image.fromarray(im_1).save('data/dst/lena_numpy_split_1.jpg')
横向分割函数为np.hsplit()。第二个参数为整数值时，将进行相等的分割。
im_0, im_1 = np.hsplit(im, 2)
print(im_0.shape)
# (256, 128, 3)
print(im_1.shape)
# (256, 128, 3)
第二个参数值为列表时，在那个值的位置处进行分割。
im_0, im_1, im_2 = np.hsplit(im, [100, 150])
print(im_0.shape)
# (256, 100, 3)
print(im_1.shape)
# (256, 50, 3)
print(im_2.shape)
# (256, 106, 3)
np.hsplit()和np.vsplit()指定第二个参数值时，不能进行等份分割时，便会发生错误。此时，用np.array_split()的话，会自动调节尺寸，进行分割。
# im_0, im_1, im_2 = np.hsplit(im, 3)
# ValueError: array split does not result in an equal division
im_0, im_1, im_2 = np.array_split(im, 3, axis=1)
print(im_0.shape)
# (256, 86, 3)
print(im_1.shape)
# (256, 85, 3)
print(im_2.shape)
# (256, 85, 3)
切片粘贴
切片可以将一个矩阵中的矩形区域替换到另一个矩阵中去。
比如：图片的一部分粘贴到全图片中。
import numpy as np
from PIL import Image
src = np.array(Image.open('data/src/lena_square.png').resize((128, 128)))
dst = np.array(Image.open('data/src/lena_square.png').resize((256, 256))) // 4
dst_copy = dst.copy()
dst_copy[64:128, 128:192] = src[32:96, 32:96]
Image.fromarray(dst_copy).save('data/dst/lena_numpy_paste.jpg')
dst_copy = dst.copy()
dst_copy[64:192, 64:192] = src
Image.fromarray(dst_copy).save('data/dst/lena_numpy_paste_all.jpg')
Alpha混合和遮罩处理
由于可以很容易的对矩阵中的每个元素进行操作，因此可以对2个图片进行混合和遮罩处理。
选择 上/下/左/右 反转
矩阵的旋转，反转等函数的应用效果。
来源：CSDN
作者：饺子大人
链接：https://blog.csdn.net/qq_18351157/article/details/103730014