太有趣了!五个处理图像的场景都是Python完成的

很多对Python接触不深的同学可能只知道Python语法简洁,能赚钱等等,但是你们不知道的是,Python像是叮当猫的口袋,几乎什么都能做,适合外行小白们去摸索学习,能极大的增加对编程的兴趣。

有些工具用python来实现不一定是技术上的最优选择,但可能是最简洁、最面向大众的。

介绍几个不错的处理图像的案例,并附上代码,尽可能让大家能拿来就用。

目录

1、生成词云图

2、生成艺术二维码

3、生成微信九宫格图片

4、生成手绘图片

5、生成证件照


1、生成词云图

词云图一般用来凸显文本关键词,产生视觉上的焦点,利用好词云会让数据更加有说服力。

python也有专门制作词云的库-wordcloud,能自定义颜色和形状。

比如我用小丑的豆瓣评论做成一张词云图。

图片

作词云图,首先要对收集文本,然后对文本做分词处理,最后生成词云。

这里不对前两步做详细解析,只给出词云代码:

def wordCloudImage(wordlist,width,height,bgcolor,savepath):
    # 可以打开你喜欢的词云展现背景图
    # cloud_mask = np.array(Image.open('nezha.png'))
    # 定义词云的一些属性
    wc = WordCloud(
        width=width,  # 图幅宽度 900
        height=height,  # 图幅高度 3000
        background_color=bgcolor,  # 背景图分割颜色为白色 "black"
        # mask=cloud_mask,  # 背景图样
        max_words=300,  # 显示最大词数
        font_path='./fonts/simhei.ttf',  # 显示中文
        collocations=False,
        # min_font_size=5,  # 最小尺寸
        # max_font_size=100,  # 最大尺寸
    )

    # wordfile是分词后的词汇列表
    x = wc.generate(wordlist)
    # 生成词云图片
    image = x.to_image()
    # 展示词云图片
    image.show()
    # savepath是图片保存地址,保存词云图片
    wc.to_file(savepath)

 

2、生成艺术二维码

现在有不少二维码生成工具,python也有一款二维码生成库-myqr,可以给二维码加上图片背景,看起来很炫,效果如下

图片

使用pip安装myqr,非常简单。

该库可以在命令行中运行,你只需要传递网址链接、图片地址等参数,就可以生成相应的二维码,二维码图片默认保存在当前目录下面。

命令行输入格式:

myqr 网址链接

比如:

myqr https://zhuanlan.zhihu.com/pydatalysis

再按enter键执行,就能生成对应链接的二维码了。

怎么融合图片呢?很简单,传入图片地址参数'-p'

比如说我d盘有一张海绵宝宝的图片,地址是:d:\hmbb.jpg即传入参数'-pd:\hmbb.jpg'在命令行键入:

myqr https://zhuanlan.zhihu.com/pydatalysis -p d:\hmbb.jpg -c

执行就能生成上图的海绵宝宝主题二维码了。

 

 

3、生成微信九宫格图片

有段时间朋友圈比较流行九宫格图片,就是一张图分割成九张图,看着似乎很文艺。

这个可以用很多软件来做,python当然也能实现,只需不到50行代码。

图片

代码:

# 朋友圈九宫格图片制作
# encoding=utf-8
from PIL import Image
import sys


# 先将input image 填充为正方形
def fill_image(image):
    width, height = image.size
    # 选取原图片长、宽中较大值作为新图片的九宫格半径
    new_image_length = width if width > height else height
    # 生产新图片【白底】
    new_image = Image.new(image.mode, (new_image_length, new_image_length), color='white')
    # 将原图粘贴在新图上,位置为居中
    if width > height:
        new_image.paste(image, (0, int((new_image_length - height) / 2)))
    else:
        new_image.paste(image, (int((new_image_length - width) / 2), 0))
    return new_image


# 将图片切割成九宫格
def cut_image(image):
    width, height = image.size
    # 一行放3张图
    item_width = int(width / 3)
    box_list = []
    for i in range(0, 3):
        for j in range(0, 3):
            box = (j * item_width, i * item_width, (j + 1) * item_width, (i + 1) * item_width)
            box_list.append(box)
    image_list = [image.crop(box) for box in box_list]
    return image_list


# 保存图片
def save_images(image_list):
    index = 1
    for image in image_list:
        image.save('e:\\图片\\'+str(index) + '.png', 'PNG')
        index += 1


if __name__ == '__main__':
    file_path = "e:\\图片\\龙猫.jpg"
    image = Image.open(file_path)
    # image.show()
    image = fill_image(image)
    image_list = cut_image(image)
    print(len(image_list))
    save_images(image_list)

4、生成手绘图片

现在很多软件可以将照片转换成手绘形式,python也可以实现,而且定制化更强,可批量转换。

这里用到pillow库,这是非常牛逼且专业的Python图像处理库

原图:

图片

生成手绘后:

图片

代码:

# -*- coding: UTF-8 -*-
from PIL import Image
import numpy as np

# 原始图片路径
original_image_path = "E:\\图片\\陆家嘴.jpg"
# 要生成的手绘图片路径,可自定义
handdrawn_image_path = "E:\\图片\\陆家嘴-手绘.jpg"

# 加载原图,将图像转化为数组数据
a=np.asarray(Image.open(original_image_path).convert('L')).astype('float')
depth=10.

#取图像灰度的梯度值
grad=np.gradient(a)

#取横纵图像梯度值
grad_x,grad_y=grad
grad_x=grad_x*depth/100.
grad_y=grad_y*depth/100.
A=np.sqrt(grad_x**2+grad_y**2+1.)
uni_x=grad_x/A
uni_y=grad_y/A
uni_z=1./A

#光源的俯视角度转化为弧度值
vec_el=np.pi/2.2

#光源的方位角度转化为弧度值
vec_az=np.pi/4.

#光源对x轴的影响
dx=np.cos(vec_el)*np.cos(vec_az)
dy=np.cos(vec_el)*np.sin(vec_az)
dz=np.sin(vec_el)

#光源归一化,把梯度转化为灰度
b=255*(dx*uni_x+dy*uni_y+dz*uni_z)

#避免数据越界,将生成的灰度值裁剪至0-255内
b=b.clip(0,255)

#图像重构
im=Image.fromarray(b.astype('uint8'))

print('完成')
im.save(handdrawn_image_path)

这里可以做成批量处理的转手绘脚本,大家试试。

 

5、生成证件照

这里用到pillow和removebg,分别用于修改照片尺寸和抠图。

这里removebg用到了AI技术,抠图边缘很柔和,效果挺不错的。

图片

代码:

# encoding=utf-8
from PIL import Image
from removebg import RemoveBg

# removebg涉及到api_key,需要到其官网申请
api_key = 'PysKLJueeoyK9NbJXXXXXXXXX'

def change_bgcolor(file_in, file_out, api_key, color):
  '''
      #必须为png格式
  '''
  p, s = file_in.split(".")
  rmbg = RemoveBg(api_key, 'error.log')
  rmbg.remove_background_from_img_file(file_in)
  file_no_bg = "{}.{}_no_bg.{}".format(p, s, s)
  no_bg_image = Image.open(file_no_bg)
  x, y = no_bg_image.size
  new_image = Image.new('RGBA', no_bg_image.size, color=color)
  new_image.paste(no_bg_image, (0, 0, x, y), no_bg_image)
  new_image.save(file_out)


# 修改照片尺寸
def change_size(file_in, file_out, width, height):
  image = Image.open(file_in)
  resized_image = image.resize((width, height), Image.ANTIALIAS)
  resized_image.save(file_out)


if __name__ == "__main__":
  file_in = 'E:\\girl.png'
  file_out = 'E:\\girl_cutout.png'
  # 尺寸可按需求自修改
  # change_size(file_in, file_out, width, height)
  
  # 换背景色
  color = (0, 125, 255)
  change_bgcolor(file_in, file_out, api_key, color)
  

 Python其实还有很多有趣的图像处理,对这个感兴趣的可以深入研究一下,对Python感兴趣的也可以关注一下恰恰,多点赞支持,恰恰会持续更新Python相关知识的哦!

  • 6
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
### 回答1: Python猫狗图像识别系统是基于深度学习的一种应用,利用了Python的各种图像处理和机器学习库来训练和识别猫狗图像。系统的主要步骤包括数据收集、数据预处理、训练模型和图像分类。 首先,为了训练一个有效的猫狗图像分类模型,我们需要大量的猫狗图像数据。我们可以通过在网络上收集猫狗的图片来获取这些数据,或者使用现有的猫狗图像数据集。 接下来,我们需要对数据进行预处理。这包括图像的缩放、裁剪和灰度化等操作,以确保输入数据的一致性和减少噪声。此外,还需要将图像数据转化为适合机器学习模型的数字表示方法,比如将每个像素的RGB值转化为0到1之间的浮点数。 然后,我们使用Python的深度学习库(如TensorFlow、Keras或PyTorch)来构建和训练一个猫狗图像分类模型。这可以是一个卷积神经网络(CNN),因为CNN在图像分类任务中表现良好,可以捕捉到图像的局部和全局特征。我们可以使用已有的预训练模型,如VGG16或ResNet等,也可以自己设计一个模型。 训练模型时,我们将数据集分成训练集和验证集,通过反向传播和梯度下降等优化算法来逐步调整模型的权重和偏差,使其更好地在训练集上拟合,并尽量泛化到新的图像。 训练完成后,我们可以使用训练好的模型来对新的猫狗图像进行分类。我们将输入图像传递给模型,模型将返回一个概率分布,表示图像属于猫和狗的概率。我们可以根据概率值来确定图像的分类结果。 总之,Python猫狗图像识别系统利用Python强大的图像处理和机器学习库,通过数据收集、预处理、模型训练和图像分类等步骤,可以识别猫和狗的图像。这是一个有趣且实用的应用,可以用于动物医院、宠物商店等场景中。 ### 回答2: Python 猫狗图像识别系统是基于Python编程语言的一种图像识别系统,可以区分猫和狗的图像。下面将详细介绍该系统的工作原理和实现步骤。 首先,这个系统需要使用机器学习的方法来训练模型。我们可以使用深度学习框架中的卷积神经网络(CNN)来进行图像分类。Python提供了许多强大的深度学习库,如Tensorflow和Keras,在这里我们可以用它们来构建CNN模型。 然后,我们需要一组包含猫和狗的图像数据集来训练模型。这些数据集应该被分成训练集和测试集。我们可以使用一些开源数据集,如Microsoft COCO或ImageNet,或者自己收集并整理数据集。 接下来,我们需要将图像数据进行预处理,以便于输入CNN模型进行训练。预处理可以包括图像的尺寸调整、归一化和像素值转换等步骤。这些处理可以使用Python图像处理库PIL(Python Imaging Library)来完成。 然后,我们使用Python的深度学习框架搭建并训练CNN模型。我们可以构建一个包含多个卷积层、池化层和全连接层的神经网络模型。通过反向传播算法,该模型可以根据训练数据集来学习图像中猫和狗的特征,并进行分类。 训练完成后,我们可以用测试数据集来评估模型的准确性和性能。我们可以使用Python的深度学习框架提供的评估函数来进行评估。 最后,我们可以使用训练好的模型来进行猫狗图像的识别。我们可以将图像输入到模型中,通过模型的预测函数,得到该图像是猫还是狗的概率值。我们可以设置一个阈值,当预测的概率值超过阈值时,就判断该图像为猫或狗。 总结来说,Python猫狗图像识别系统通过基于深度学习的CNN模型进行训练和测试,能够实现对猫和狗图像的准确分类和识别。这个系统的实现需要使用Python的深度学习框架和图像处理库,并配合合适的数据集来完成

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值