【python】数据可视化之图像处理

本文作业学习笔记而编辑，介绍讲解不够详细，代码大家可以自行复制，运行试试，如果想详细的了解学习，可以去看看其他大神的作品，不喜勿喷。

图像类型

数字图像可以被定义为一个二维列表，列表中元素的索引（x，）就是图像中像素的横纵坐标，元素的值就是该像素的亮度值。例如，在彩色照片中，其像素是由三个色系（红、绿、蓝）组成的，而灰白色照片中其像素只由一个颜色的亮度组成，即它的灰度值。在计算机中，数字图像可按照灰度和颜色的多少分为二值图像、灰度图像、索引图像以及RGB图像，一般的数字图像处理就是针对这4类进行的。

一、二值图像

• 定义：二值图像是仅包含两种灰度级（通常为0和255，分别代表黑色和白色）的图像。
• 特点：图像中的每个像素只能取两个值中的一个，因此处理起来相对简单，数据量也较小。
• 应用：常用于文字识别、图像分割、形态学处理等领域。例如，在OCR（光学字符识别）系统中，二值图像是处理的基础。

二、灰度图像

• 定义：灰度图像是指每个像素只有一个采样颜色的图像。这类图像通常显示为从最暗黑色到最亮的白色的灰度，尽管理论上这个采样可以任何颜色的不同深浅，甚至可以是不同亮度上的不同颜色。灰度图像与黑白图像不同，在计算机图像领域中黑白图像只有黑白两种颜色，灰度图像在黑色与白色之间还有许多级的颜色深度。
• 特点：灰度图像的数据类型一般为8位无符号整数（int8），取值范围通常为[0,255]，其中“0”表示纯黑色，“255”表示纯白色，中间的数字从小到大表示由黑到白的过渡色。在某些软件中，灰度图像也可以用双精度数据类型（double）表示，像素的值域为[0,1]，0代表黑色，1代表白色，0到1之间的小数表示不同的灰度等级。
• 应用：广泛应用于医学图像处理、图像分割、图像增强等领域。例如，在医学图像处理中，灰度图像常被用于病灶的检测和分析。

三、索引图像

• 定义：索引图像是一种使用颜色表（或称为调色板）的图像。颜色表中的每个条目包含一种颜色，图像中的每个像素通过索引值（指向颜色表中的一个条目）来表示其颜色。
• 特点：索引图像通常用于色彩要求相对简单的图像，如Windows中的壁纸等。由于颜色表的存在，索引图像可以大大节省存储空间。
• 应用：在网页设计中，为了减小图像文件的大小，常使用索引图像格式（如GIF）。

四、RGB图像

• 定义：RGB图像是红（Red）、绿（Green）、蓝（Blue）三种颜色通道的合成图像。每个像素的颜色由这三个通道的强度值决定。
• 特点：RGB图像能够显示丰富的颜色，是计算机中最常用的图像格式之一。每个颜色通道的数据类型一般为8位无符号整数（int8），取值范围为[0,255]。因此，RGB图像可以显示2^24种颜色。
• 应用：广泛应用于摄影、设计、视频处理等领域。例如，在数字摄影中，相机拍摄的图像通常以RGB格式存储。

色彩空间概述

• 定义：色彩空间是色彩学中用于描述颜色的一种方法，它使用一组值（通常使用三个、四个值或者颜色成分）来表示颜色。色彩空间可以是基于物理设备的，如RGB色彩空间，也可以是基于人类视觉感知的，如Lab色彩空间。
• 类型：色彩空间有许多种，常见的有RGB、CMYK、Lab等。每种色彩空间都有其特定的应用场景和优势。

一、RGB色彩空间

• 定义：RGB色彩空间以R（Red：红）、G（Green：绿）、B（Blue：蓝）三种基本色为基础，通过调整这三种颜色的强度来产生各种颜色。
• 原理：RGB色彩空间基于三原色学说，即任何颜色都可以通过红、绿、蓝三种颜色的不同强度组合来生成。
• 应用：RGB色彩空间广泛应用于计算机图形学、显示器、扫描仪等领域。它是现代显示屏的基础色彩空间，能够显示丰富的颜色。

二、HSV色彩空间

• 定义：HSV色彩空间（Hue, Saturation, Value）是一种基于色调、饱和度和亮度的颜色空间。
• 参数：色调（H）表示颜色的种类，取值范围通常是0到360度；饱和度（S）表示颜色的纯度或深浅程度，取值范围通常是0到100%；亮度（V）表示颜色的明暗程度，取值范围通常是0到100%。
• 特点：HSV色彩空间更直观地反映了人眼对颜色的感知，因此在图像处理和设计领域得到广泛应用。

三、CMY色彩空间

• 定义：CMY色彩空间（Cyan, Magenta, Yellow）是一种基于青色、品红色和黄色的颜色空间。这三种颜色分别是红色、绿色和蓝色的补色。
• 原理：CMY色彩空间通过混合青色、品红色和黄色来产生各种颜色。当这三种颜色以最大强度混合时，会产生黑色。
• 应用：CMY色彩空间常用于彩色打印机等设备，因为它与油墨的混合方式相符。

四、CMYK色彩空间

• 定义：CMYK色彩空间（Cyan, Magenta, Yellow, Key）是CMY色彩空间的扩展，它添加了黑色（K）通道。
• 原理：CMYK色彩空间通过混合青色、品红色、黄色和黑色来产生各种颜色。黑色通道的加入提高了色彩的表现力和印刷质量。
• 应用：CMYK色彩空间是印刷行业的标准色彩空间，用于表示印刷品上的颜色。

五、其他色彩空间

• NISC：可能是一个拼写错误或特定领域的术语。在色彩空间的标准术语中，并没有“NISC”这一说法。如果您指的是某种特定的色彩空间或标准，请提供更多的上下文或信息。
• YCbCr：YCbCr是一种色彩空间，它基于YUV色彩空间，但用于数字图像领域。Y表示亮度分量，Cb和Cr表示色度分量。YCbCr色彩空间在视频压缩和传输中得到广泛应用。
• HIS：HIS（Hue, Intensity, Saturation）是一种与HSV类似的色彩空间，但使用亮度（Intensity）替代了HSV中的明度（Value）。HIS色彩空间在图像处理中也有一定的应用。

六、色彩空间的选择与应用

应用场景：不同的色彩空间适用于不同的应用场景。例如，RGB色彩空间适用于计算机图形学和显示设备；CMYK色彩空间适用于印刷行业；Lab色彩空间则更适用于需要精确颜色匹配的场景。
转换与映射：在实际应用中，常常需要在不同的色彩空间之间进行转换和映射。这通常涉及到复杂的数学计算和算法优化。
综上所述，色彩空间是描述颜色的重要工具，不同的色彩空间具有各自的特点和应用场景。在选择和使用色彩空间时，需要根据具体的需求和条件进行权衡和选择。

七、色彩空间参数

常用库介绍

OpenCV

链接：OpenCv
简介：OpenCV 是一个开源的计算机视觉和机器学习软件库。它包含了数百种计算机视觉算法，涵盖了图像处理、计算机视觉和机器学习等相关方法，具有 C++、C、Python 和 Java 等多种接口，支持 Windows、Linux、Mac OS、iOS 和 Android 等多个平台。其最初由英特尔开发，现在由 OpenCV 基金会的开发者社区维护.

Pillow

链接：Pillow
简介：Pillow 库是 Python 中一个强大的图像处理库，它基于 Python Imaging Library (PIL) 发展而来，并在其基础上进行了优化和扩展。Pillow 库提供了丰富的图像处理功能，可以处理各种类型的图像文件，并进行图像的编辑、合并、滤镜处理等操作.

Scipy

链接：Scipy
简介：Scipy 是一个基于 Python 开发的用于科学计算的工具集，它建立在 NumPy 之上，提供了许多用于数组操作、数值优化、信号处理等科学计算中常见任务的函数和工具箱。其中的 scipy.ndimage 模块提供了多维图像的处理功能.

代码示例

Pillow读取并显示图像

import numpy
from PIL import Image
import matplotlib.pyplot as plt
hehua=Image.open('he.jpg')
arr = numpy.array(
    hehua.getdata(),numpy.uint8).reshape(hehua.size[1],hehua.size[0],3)
plt.imshow(arr)
plt.colorbar()
plt.show()

显示Scipy模块自带图像

import scipy.misc
import matplotlib.pyplot as plt
face = scipy.misc.face()
plt.gray()
plt.imshow(face)
plt.colorbar()
plt.show()

转换为单通道图像

import numpy
from PIL import Image
import matplotlib.pyplot as plt
jiequ = Image.open('he.jpg')
arr = numpy.array(
jiequ.getdata(), numpy.uint8).reshape(jiequ.size[1], jiequ.size[0], 3)
#显示原始图像
plt.subplot(121)
plt.imshow(arr)
#数组切片
arr1 =arr[:,:,0]
#显示单通道图像
plt.subplot(122)
plt.imshow(arr1)
plt.show()

图形截取

import numpy
from PIL import Image
import matplotlib.pyplot as plt
jiequ = Image.open('he.jpg')
arr = numpy.array(
    jiequ.getdata(), numpy.uint8).reshape(jiequ.size[1], jiequ.size[0], 3)
plt.subplot(121)
plt.imshow(arr)
arr1=arr[ 0:400,0:450,:]
plt.subplot(122)
plt.imshow(arr1)
#查看原图像数组维度，输出结果为(750，500，3)
#是3通道图像，图像大小为750像素*500像素，高度为750像素，宽度为500 像素
print(arr.shape)
plt.show()

图像垂直翻转（图像水平反转）（同时垂直和水平反转）

import numpy
from PIL import Image
import matplotlib.pyplot as plt

cat = Image.open('he.jpg')
arr = numpy.array(
    cat.getdata(), numpy.uint8).reshape(cat.size[1], cat.size[0], 3)

plt.subplot(121)
plt.imshow(arr)

#图像垂直翻转
arrl=arr[ : : -1, :, :]

#图像水平反转
#arrl=arr[ :, : : -1, :]

#同时垂直和水平反转
#arrl=arr[ : : -1,: : -1,:]


plt.subplot(122)
plt.imshow(arrl)

print(arr.shape)
plt.show()

使图像变暗（调节图像亮度）

import numpy
from PIL import Image
import matplotlib.pyplot as plt

cat = Image.open('he.jpg')
arr = numpy.array(
    cat.getdata(), numpy.uint8).reshape(cat.size[1],cat.size[0],3)

plt.subplot(221)
plt.imshow(arr)

#调节图像亮度
arrl=arr*0.8
print(type(arrl))
plt.subplot(222)
plt.imshow(arrl.astype('uint8'))
arr2=arr*0.5
print(type(arr2))
plt.subplot(223)
plt.imshow(arr2.astype('uint8'))
arr3=arr*0.3
print(type(arr3))
plt.subplot(224)
plt.imshow(arr3.astype('uint8'))
print(arr.shape)
plt.show()

图像压缩

import numpy as np
from PIL import Image
import matplotlib.pyplot as plt
cat = Image.open('he.jpg')
arr = np.array(
    cat.getdata(), np.uint8).reshape(cat.size[1], cat.size[0], 3)
plt.subplot(121)
plt.imshow(arr)
#图像压缩
arr1=arr[::5,::5,:]
plt.subplot(122)
plt.imshow(arr1)
plt.show()