PIL处理图片信息

最新推荐文章于 2024-11-11 21:30:41 发布

weixin_30621711

最新推荐文章于 2024-11-11 21:30:41 发布

阅读量93

点赞数

文章标签： photoshop 人工智能 python

原文链接：http://www.cnblogs.com/naonaoling/p/5154398.html

版权

　　最近遇到了图片处理的一些问题，python提供了一些库可以很方便地帮助我们解决这些问题，在这里把我这几天的学习总结一下。

一、提取图片的RGB值

　　1、非代码：如果只是为了提取某张图片或者某个像素点的RGB值，用qq的截图工具就可以看到，如果不嫌麻烦也可以用下万能的Photoshop...但是我是一枚程序媛！

　　2、python实现

　　（1）先安装PIL库，windows下直接下载exe文件执行即可，linux、mac下easy_install、pip一下

　　　　——PIL：Python Imaging Library，基本可以看作Python平台事实上的图像处理标准库。

　　（2）代码：因为是一张图片，就取一个位置的RGB值即可　　

　　　　load方法返回对象的像素值，也可以用来修改像素值　

1 from PIL import Image
2 im = Image.open('6,jpg')
3 pix=im.load()
4 pix[0,0]

二、基于rgb分量的最低位的隐写术

　　隐写术，顾名思义，就是把一些信息以隐含的方式写在图片信息当中。基于rgb分量最低位的隐写术一种比较简单也比较常见的方式。

　　1、RGB：彩色图像用3个字节来分别记录RGB三种颜色在一个像素点中的亮度，一个字节8个比特位，表示的值从0~255，0即最暗，也就是完全不显示这种颜色，255为最亮，RGB(0,0,0)为纯黑，RGB(255,255,255)为纯白。上述提到的隐写术就是改变某一个颜色分量最低的比特位，最低的比特位对图像整体的影响最小，改变一位换算成十进制也就是加减1，比如从223变成了224或者222，影响极其小。

　　2、基于rgb分量最低位的隐写术：以红色分量为例，即是操纵“红色亮度”字节最后一个比特位。譬如我们想把’A’隐藏进来的话，就可以把A转成16进制的0x61再转成二进制的01100001，再修改为红色通道的最低位为这些二进制串。

　　3、python实现　　

 1 from PIL import Image  
 2 def f(pixel):
 3     if pixel%2 == 1:
 4         return 255
 5     return 0
 6 im=Image.open('145.png')
 7 im.getdata()  
 8 r,g,b=im.split()
 9 newImg = Image.eval(r, f)
10 newImg.save("115.png","PNG")
11 newImg.show()

　　（1）Image.getdata()方法：返回一个图像内容的像素值序列。不过，这个返回值是 PIL 内部的数据类型，只支持确切的序列操作符，包括迭代器和基本序列方法。我们可以通过 list(im.getdata()) 为其生成普通的序列。此步骤也可以替换为im.load()

　　（2）自定义的f方法，即是对像素点进行处理，如果低位为1，则设置为白色，若为0，则设置为红色

　　（3）Image.eval : 使用带一个参数的函数作用于给定图片的每一个像素。如果给定的图片有超过一个的频段（band），则该函数也会作用于每一个频段。

　　　　在上述代码中，f指定了函数，r指定了红色频段(band)，所以这个函数会作用于红色频段，如果低位为1，置为白色，如果为0，置为黑色。

　　　　然而，这是为什么呢？

三、同图搜索

　　1、安装python-Levenshtein库，这个库提供了一些计算字串相似度的方法

　　（1）先下载安装VCForPython

　　（2）再下载python-Levenshtein的源码，python setup.py install安装

　　2、把图片hash成一段指纹，这个指纹和图片的大小、格式、明暗均无关，只和图片的内容本身有关。

　　　下面是一个完整的代码，image2文件夹包含30张图片，image1文件夹包含5000+张图片，对于image2中的每一张图片，image2中均有一张与其对应，找出这些图片。

　　　关于具体算法，提供一个资料，里面有更加详细的解释 http://blog.jobbole.com/65914/

　　　解释一点，为什么不是直接比较两个图片的hash值是否相等，而是用到了Levenshtein.hamming()方法，是因为图片之间因为各种原因，最终生成的hash值并不完全一致，实际处理过程中允许一些小的差异，所以计算了一下两个hash值的汉明距离，代码的第43行设置了一个最外层循环，k值代表的就是汉明距离，从1开始，如果两个hash图片的汉明距离小于这个k值那就记录下来；如果当前的k值导致有些图片还不能找到相同图片，那就加大k的值继续计算。这里有一点，如果已经找到了就不要用之后的更新了，肯定是k值越小情况下找到的图片越准。

 1 from PIL import Image
 2 import os
 3 import Levenshtein
 4 
 5 def dhash(image,hash_size=8):
 6     image=image.convert('L').resize((hash_size+1,hash_size),Image.ANTIALIAS,)
 7 
 8     pixels=list(image.getdata())
 9     difference=[]
10     for row in range(hash_size):
11         for col in range(hash_size):
12             left=image.getpixel((col,row))
13             right=image.getpixel((col+1,row))
14             difference.append(left>right)
15 
16     decimal_value=0
17     hex_string=[]
18     for index,value in enumerate(difference):
19         if value:
20             decimal_value+=2**(index%8)
21         if(index % 8)==7:
22             hex_string.append(hex(decimal_value)[2:].rjust(2,'0'))
23             decimal_value=0
24     return ''.join(hex_string)
25 
26 source=[]
27 for i in range(1,31):
28     if os.path.exists('./image2/'+str(i)+'.jpg'):
29         image=Image.open('./image2/'+str(i)+'.jpg')
30     else:
31         image=Image.open('./image2/'+str(i)+'.png')
32     source.append(dhash(image))
33 print len(source)
34 des=[]
35 for i in range(1,5693):
36     if os.path.exists('./image1/'+str(i)+'.jpg'):
37         image=Image.open('./image1/'+str(i)+'.jpg')
38     else:
39         image=Image.open('./image1/'+str(i)+'.png')
40     des.append(dhash(image))
41 print len(des)
42 res=[0]*31
43 for k in range(1,15):
44     for i in range(len(source)):
45         if res[i+1]!=0:
46             continue
47         for j in range(len(des)):
48             if Levenshtein.hamming(des[j],source[i])<k:
49                 res[i+1]=j+1
50                 print i+1,j+1
51                 break