pillow学习3

Pillow库中，图像的模式代表了图像的颜色空间。以下是一些常见的图像模式及其含义：
L（灰度图）：L模式表示图像是灰度图像，每个像素用8位表示（范围为0-255），0表示黑色，255表示白色。
RGB：RGB模式表示图像是真彩色图像，每个像素由红（R）、绿（G）、蓝（B）三种颜色通道组成，每个通道占据8位，共24位表示一个像素的颜色。
CMYK：CMYK模式表示图像是使用青色（Cyan）、品红（Magenta）、黄色（Yellow）、黑色（Key/Keyline）四种油墨颜色的印刷图像，主要用于打印

from PIL import Image
img1=Image.open('blend1.jpg')
img2=Image.open('blend2.jpg')
img2=img2.resize(img1.size)
r1,g1,b1= img1.split()
r2,g2,b2= img2.split()#进行色道的分离
tmp=[r1,g2,b1]#用img2的绿色通道代替img1的绿色通道
img = Image.merge("RGB",tmp)#其中 mode 指输出图像的模式，bands 波段通道，一个序列包含单个带图通道。
img.show()

图片合并

滤镜
在 Pillow 库中的 Image 模块中，使用函数 filter()可以对指定的图片使用滤镜效果，在
Pillow 库中可以用的滤镜保存在 ImageFilter 模块中。

Image.filter(filter)

通过函数 filter()，可以使用给定的滤镜过虑指定的图像，参数“filter”表示滤镜内核。

from PIL import Image,ImageFilter
#使用函数 filter()实现滤镜效果
img=Image.open('bjsxt.png')
b=img.filter(ImageFilter.GaussianBlur)
b.show()

GaussianBlur（高斯模糊）：
作用：高斯模糊是一种基于正态分布的模糊滤镜，用于平滑图像，减少噪点和细节。
参数：
radius：模糊的半径，值越大，模糊效果越明显。
应用场景：用于减小图像噪声、平滑图像或为其他滤镜操作做预处理。

UnsharpMask（不清晰的掩模滤镜）：
作用：不清晰的掩模实际上是用于增强图像的边缘细节，通过先进行模糊处理再进行锐化来实现。
参数：
radius：模糊半径，用于模糊处理，值越大，影响范围越广。
percent：增强的强度，百分比值，决定了锐化的强度。
threshold：阈值，决定只有在像素强度差异超过此值时才进行锐化处理。
应用场景：用于图像锐化和增强细节，使图像看起来更加清晰。

MinFilter（最小值滤波）：
作用：最小值滤波器会用滤波窗口内的最小值替换中心像素值，主要用于减少图像中的盐噪声（白点噪声）。
参数：
size：滤波器的大小（例如3表示3x3的窗口）。
应用场景：用于去除图像中的极端亮点，平滑图像。

MedianFilter（中值滤波）：
作用：中值滤波器会用滤波窗口内的中值替换中心像素值，主要用于去除椒盐噪声。
参数：
size：滤波器的大小（例如3表示3x3的窗口）。
应用场景：用于去除图像中的噪声，特别是椒盐噪声，同时尽量保留边缘细节。

ModeFilter（模式滤波）：
作用：模式滤波器会用滤波窗口内的众数（出现次数最多的值）替换中心像素值，用于减少随机噪声。
参数：
size：滤波器的大小（例如3表示3x3的窗口）。
应用场景：用于去除图像中的随机噪声，特别是图像中有大量重复元素时效果较好。
主要区别总结：
GaussianBlur：平滑整个图像，减少细节和噪声。
UnsharpMask：增强图像细节，通过模糊和锐化组合实现。
MinFilter：用窗口内的最小值替换中心像素，去除图像中的盐噪声。
MedianFilter：用窗口内的中值替换中心像素，去除图像中的椒盐噪声。
ModeFilter：用窗口内的众数替换中心像素，减少随机噪声。
每种滤波器有其特定的用途和效果，可以根据图像处理的需求选择合适的滤波器。

高斯模糊 (GaussianBlur)：
图像整体变得更加平滑，细节被模糊掉，有助于减少噪声。
不清晰的掩模滤镜 (UnsharpMask)：
图像的细节被增强，边缘变得更加清晰，整体显得更加锐利。
最小值滤波 (MinFilter)：
图像中亮点被削弱，减少了极端亮点的影响，整体变得较暗。
中值滤波 (MedianFilter)：
图像中的噪声，特别是椒盐噪声被有效去除，保留了边缘细节。
模式滤波 (ModeFilter)：
图像中的随机噪声被减少，平滑了图像，同时保留了一些重复的元素。

高斯噪声（Gaussian Noise）：

特点：高斯噪声的像素值变化符合高斯分布（正态分布），即大部分噪声值集中在平均值附近，随着离平均值越远的概率越小。
来源：通常来自电子设备的热噪声或传感器的随机波动。
表现：图像上会有较为均匀的亮度变化，但没有明显的斑点。
椒盐噪声（Salt-and-Pepper Noise）：

特点：椒盐噪声表现为图像中的随机白色（盐）和黑色（胡椒）点。
来源：传感器故障、传输错误或数字图像处理中的不准确操作。
表现：图像上有明显的黑白斑点，非常显眼。
泊松噪声（Poisson Noise）：

特点：泊松噪声（也称为光子噪声）与图像信号强度成比例，通常在光子计数过程中产生。
来源：摄影过程中由于光子的统计波动导致的噪声。
表现：图像亮度越高的地方噪声越明显。
散斑噪声（Speckle Noise）：

特点：散斑噪声是一种相干噪声，通常在激光、雷达和超声波成像中出现。
来源：相干光束干涉造成的图像强度波动。
表现：图像看起来像覆盖了一层细小的斑点。

1.目视检查
直接观察图像：
高斯噪声：图像整体看起来有轻微的模糊，亮度和颜色有细微变化。
椒盐噪声：图像中出现明显的黑白斑点。
泊松噪声：通常在低光图像中，亮度较高区域出现随机斑点。
散斑噪声：图像看起来像覆盖了一层斑点，尤其是在相干成像系统中（如雷达、超声波成像）。
2. 直方图分析
观察图像的灰度直方图：
高斯噪声：直方图会有广泛的分布，集中在中心，但有宽的尾部。
椒盐噪声：直方图会在极值处（0和255）出现尖峰。
泊松噪声：直方图显示随亮度变化的不同程度的分布，特别是在低亮度区域。
散斑噪声：直方图会显示出更复杂的分布，取决于图像内容和噪声性质。
3. 统计分析
计算图像的统计特性：
均值和方差：高噪声图像的方差通常较大。
信噪比（SNR）：较低的SNR表示较高的噪声水平。
4. 频域分析
傅里叶变换：
将图像转换到频域，通过观察频谱图判断噪声。
高斯噪声：频谱图中有较为均匀的高频分量。
椒盐噪声：频谱图中有较高的随机高频分量。
散斑噪声：频谱图中有特定的条纹或斑点模式。
5. 滤波器响应
应用滤波器并观察效果：
高斯模糊：应用后，如果图像变得更平滑且噪声减少，可能存在高斯噪声。
中值滤波：应用后，如果图像斑点减少，说明存在椒盐噪声。

ImageChops 模块
在 Pillow 库的内置模块 ImageChops 中包含了多个用于实现图片合成的函数。这些合成
功能是通过计算通道中像素值的方式来实现的。其主要用于制作特效、合成图片等操作。
常用的内置函数如下所示：

ImageChops.add（image1，image2，scale = 1.0，offset = 0 ）

输出值为

out = ((image1 + image2) / scale + offset)