Numpy

1.图像数组表示

1.1 运行代码

from PIL import Image
from numpy import array

img = array(Image.open("C:\\Users\\cgs\\Desktop\\pictures\\1 (3).jpg"))
print("img.shape:", img.shape)
print("img_dtype:", img.dtype)

1.2 显示结果

2. 灰度变换

2.1 运行代码

from PIL import Image
from numpy import *
from pylab import *
img = array(Image.open("C:\\Users\\cgs\\Desktop\\pictures\\1 (3).jpg").convert('L'))

img2 = 255 - img # 对图像进行反向处理

img3 = (100.0/255) * img + 100 # 将图像像素值变换到100-200区间

img4 = 255.0 * (img/255.0)**2 # 对图像像素值求平方后得到的图像

# 将Numpy 数组转换为PIL的图像对象
img4_pil= Image.fromarray(np.uint8(img4))

# 显示处理后的图像

print (int(img.min()), int(img.max()))
print (int(img2.min()), int(img2.max()))
print (int(img3.min()), int(img3.max()))
print (int(img4.min()), int(img4.max()))

2.2 三次不同处理后的图像

0 255
0 255
100 200
0 255

3. 图像缩放

3.1 运行对象

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

def imresize(im, sz):
    """使用PIL对象重新定义图像数组的大小"""
    # 将 NumPy 数组转换为 PIL 图像对象
    pil_img = Image.fromarray(np.uint8(im))
    
    # 调整图像大小
    resized_pil_img = pil_img.resize(sz)
    
    # 将调整大小后的 PIL 图像转换回 NumPy 数组
    return np.array(resized_pil_img)

if __name__ == "__main__":
    # 读取图像并转换为 NumPy 数组
    img = np.array(Image.open(r"C:\Users\cgs\Desktop\pictures\1 (5).jpg"))
    
    # 调整图像大小
    new_size = (100, 100)  # 目标大小 (宽, 高)
    resized_img = imresize(img, new_size)
    
    # 显示调整大小后的图像
    plt.imshow(resized_img)
    plt.show()

3.2 显示图像

4. 直方图均衡化

def histeq(im, nbr_bins=256):
    """对一副灰度图像进行直方图均衡化"""

    # 计算图像的直方图
    imhist, bins = histogram(im.flatten(), nbr_bins, normed = True)
    cdf = imhist.cumsum() # 累计分布函数
    cdf = 255 * cdf / cdf[-1] # 归一化
    # 使用累计分布函数的线性插值，计算新的像素值
    img = interp(img.flatten(), bins[:-1], cdf)

    return img.reshape(img.shape), cdf

5. 图像平均

def compute_average(imlist):
    """计算图像列表的平均图像"""

    # 打开第一幅图像， 将其储存在浮点型数组中
    averageim = array(Image.open(imlist[0]), 'f')

    for imname in imlist[1:]:
        try:
            averageim += array(Image.open(imname))
        except:
            print(imname + "...skipped")
    averageim /= len(imlist)

    # 返回uint8类型的平均图像
    return array(averageim, 'uint8')

6. 图像的主成分分析（PCA）

6.1定义PCA函数

def pca(X):
    """主成分分析：
       输入:矩阵X, 其中该矩阵中存储训练数据， 每一行为一条训练数据
       返回：投影矩阵（按照维度的重要性排序）、方差和均值"""
    
    # 获取维度
    num_data, dim = X.shape
   
    # 数据中心化
    mean_X = X.mean(axis=0)
    X = X - mean_X
    
    if dim>num_data:
    #PCA-使用紧致技巧
        M = dot(X, X.T) # 协方差矩阵
        e, EV = linalg.eigh(M) # 特征值和特征向量
        tmp = dot(X.T, EV).T 
        V = tmp[::-1] # 逆转最后的特征向量
        S = sqrt(e)[::-1] # 由于特征值是按照递增顺序排列， 将它逆转
        for i in range(V.shape[1]):
           V[:,i] /= S
        else:
           # PCA使用SVD方法
           U,S,V = linalg.svd(X)
           V = V[:num_data]
           # 返回投影矩阵、方差和均值
        return V, S, mean_X 

6.2 调用PCA函数

6.2.1 运行代码

import numpy as np
from scipy import linalg
from PIL import Image
import matplotlib.pyplot as plt
import os

def pca(X):
    """主成分分析：
       输入: 矩阵X, 其中该矩阵中存储训练数据，每一行为一条训练数据
       返回：投影矩阵（按照维度的重要性排序）、方差和均值"""
    
    # 获取维度
    num_data, dim = X.shape
   
    # 数据中心化
    mean_X = X.mean(axis=0)
    X = X - mean_X
    
    if dim > num_data:
        # PCA-使用紧致技巧
        M = np.dot(X, X.T)  # 协方差矩阵
        e, EV = linalg.eigh(M)  # 特征值和特征向量
        tmp = np.dot(X.T, EV).T 
        V = tmp[::-1]  # 逆转最后的特征向量
        S = np.sqrt(e)[::-1]  # 由于特征值是按照递增顺序排列，将它逆转
        for i in range(V.shape[1]):
            V[:,i] /= S
    else:
        # PCA使用SVD方法
        U, S, V = linalg.svd(X)
        V = V[:num_data]
    
    # 返回投影矩阵、方差和均值
    return V, S, mean_X 

# 定义图像文件夹路径
image_folder = "C:\\Users\\cgs\\Desktop\\pictures"
# 获取图像文件夹所有文件
imglist = [os.path.join(image_folder, filename) for filename in os.listdir(image_folder) if filename.endswith(('jpg', 'jpeg', 'png'))]

# 设定统一的图像尺寸
target_size = (128, 128)  # 目标尺寸，可以根据需要调整

# 读取并调整图像尺寸
imglist_resized = []
for img_path in imglist:
    img = Image.open(img_path).convert('L')  # 转换为灰度图像
    img = img.resize(target_size, Image.ANTIALIAS)  # 调整图像尺寸
    imglist_resized.append(np.array(img))

# 将图像数据转换为矩阵
imgmatrix = np.array([img.flatten() for img in imglist_resized], dtype='f')

# 执行PCA操作
V, S, imgmean = pca(imgmatrix)

# 显示一些图像（均值图像和前七个模式）
plt.figure()
plt.gray()
plt.subplot(2, 4, 1) # 2行4列第一个图像开始绘图
plt.imshow(imgmean.reshape(target_size))
for i in range(7):
    plt.subplot(2, 4, i + 2)
    plt.imshow(V[i].reshape(target_size))
plt.show()

6.2.2 运行结果

7. 使用pickle模块

# 使用pickle模块
# 载入均值和主成分数据，打开文件并保存
with open("font_pca_modes.pkl", 'wb') as f: # 写入二进制文件
    pickle.dump(imgmean, f)
    pickle.dump(V, f)
    f.close()
# 读取均值和主成分数据, 打开文件并载入
with open("font_pca_modes.pkl", 'rb') as f: # 读取二进制文件
    imgmean = pickle.load(f)
    V = pickle.load(f)

模块文档页：pickle — Python object serialization — Python 3.12.5 documentation