Python处理图像文件的实用姿势

那些人人称道的美丽，里面都有PS的痕迹。

人是视觉型动物，每个人都有自己的审美标准，那些共同的准则形成了社会潮流。

随着计算机技术升级，我们现在可以用手机随时拍出漂亮的照片。

“PS”技术不再局限于“电脑”，而且计算机慢慢开始拥有了自己的“视觉”能力。

计算机视觉，就是让计算机读懂图像内容，是人工智能的一部分。

所以，用Python处理图像的场景，有两大类：

1. 批量自动化处理图像，如裁剪、滤镜、旋转等效果叠加。
2. 智能识别图像内容，如人脸识别、人物识别等，用“PS”术语可以叫“自动抠图”。

处理图像，其实就是处理色彩的数据，最常见的比如RGB格式。

当图像要保存到磁盘时，人们会用压缩算法缩小数据占用空间，再次读取和显示时就解压缩还原。

Python处理图像的模块主要有3类：

• Pillow，即PIL最活跃分支，普及度高，提供多种图像格式处理能力。还有不少依赖于它的项目应用，如之前介绍的openpyxl和python-pptx，以及图像增强工具 Augmentor。
• scikit-image，是科学计算生态scipy的图像能力补充。
• OpenCV，Intel发起的计算机视觉库，用C++实现后提供Python接口封装。

从性能角度看OpenCV最强，但Pillow和scikit-image的接口更简单，尤其是Pillow，不需要直接面对numpy.ndarray的矩阵数据。当然了，图像处理到深处，那就都是数学，尤其是线性代数。

好在图像研究已经很多年，我们从应用角度看，重点是掌握如何用Python解决日常工作中的问题。

选择哪一类模块，需要从实际应用需求和知识背景2个角度出发：

• 只做一些简单图片处理，比如大小、基本滤镜等，pillow足够。
• 需要灵活自定义高级滤镜，或研究图像算法，scikit-image和opencv更适合，有不少三方模块底层使用了opencv，所以根据具体应用情况可以穿插使用。只不过需要注意opencv内部数据不是RGB顺序，而是BGR顺序。
• 绘制图表，比如折线图、饼图等，不需要以上模块，用matplotlib更适合。

对于初学者，建议先用pillow，不够用时再从scikit-image和opencv中寻找解决算法。

此外，虽然三者内部图像数据存储方式不同，但可以互相转换。

本文重点介绍pillow模块用法，部分兼用opencv和scikit-image。

模块安装：

• pip install pillow
• pip install scikit-image
• pip install opencv

本文包含如下常见应用场景：

• 基本使用：打开、显示、保存，灰度化、锐化
• 数据互转：三个类库中图像数据互相转换
• 基本图像处理：调整大小、旋转、翻转、裁剪
• 图像滤镜：换底色、各类风格，如漫画、油画、漫画头像、复古、黑白
• 实战应用：屏幕截图、抠图、批量加水印
• 智能应用：人脸识别，如带口罩、情绪

基本使用

先来分别感受下pillow、scikit-image和opencv三个模块的基本使用方式。

包括：读写文件、灰度化和锐化图像。

Pillow基本使用

import pathlib
from PIL import Image, ImageFilter
path = pathlib.Path('~/dev/python/python1024/data/automate/006image').expanduser()
file_path = path.joinpath('lena.png')
img = Image.open(file_path)
print(img.size, img.mode, type(img))
# img.show()
img_gray = img.convert('L') # 灰度化
img_gray.save(path.joinpath('006image_pillow_gray.png'))
img_sharp = img.filter( ImageFilter.SHARPEN ) # 锐化
img_sharp.save(path.joinpath('006image_pillow_sharp.png'))

scikit-image基本使用

import pathlib
from skimage import io, color
from skimage.filters import unsharp_mask
path = pathlib.Path('~/dev/python/python1024/data/automate/006image').expanduser()
file_path = path.joinpath('lena.png')
img = io.imread(file_path)
print(img.shape, type(img))
# io.imshow(img) # 使用matplotlib显示图像
img_gray = color.rgb2gray(img)
io.imsave(path.joinpath('006image_skimage_gray.png'),img_gray)
# enhanced image = original + amount * (original - blurred)
img_sharp = unsharp_mask(img, radius=20, amount=1)
io.imsave(path.joinpath('006image_skimage_sharp.png'),img_sharp)

opencv基本使用

import pathlib
import cv2
import numpy as np
path = pathlib.Path('~/dev/python/python1024/data/automate/006image').expanduser()
file_path = path.joinpath('lena.png')
img = cv2.imread(str(file_path))
print(img.shape, type(img))
# cv2.imshow('image',img)
# cv2.waitKey(0)
# cv2.destroyAllWindows()
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 灰化
cv2.imwrite(str(path.joinpath('006image_cv2_gray.png')),img_gray)
kernel = np.array([[-1,-1,-1],
                   [-1, 9,-1],
                   [-1,-1,-1]])
img_sharp = cv2.filter2D(img, -1, kernel) # 锐化
cv2.imwrite(str(path.joinpath('006image_cv2_sharp.png')),img_sharp)

可以看到，pillow 的使用门槛最低，代码也最容易读懂；scikit-image和numpy无缝结合，图片读取出来的就是一个numpy.ndarray对象；opencv读取出的也是numpy.ndarray，但色彩模式是BGR模式，需要用cvtColor函数进行模式转化。

三个模块间数据互转

当我们用pillow处理图像到一半时，如果需要用到opencv内置的算法，怎么办？

不用重新用opencv再处理一遍，直接把pillow数据转为opencv的即可。

import pathlib
from PIL import Image
import numpy
import cv2
from skimage import io, img_as_float, img_as_ubyte
path = pathlib.Path('~/dev/python/python1024/data/automate/006image').expanduser()
file_path = path.joinpath('lena.png')
img = Image.open(file_path)
# PIL 转 opencv
img_cv = cv2.cvtColor(numpy.asarray(img),cv2.COLOR_RGB2BGR)
print(img_cv.shape)
# opencv 转 PIL
img_back = Image.fromarray(cv2.cvtColor(img_cv,cv2.COLOR_BGR2RGB))
# opencv 转 skimage
img_sk = img_as_float(cv2.cvtColor(img_cv,cv2.COLOR_BGR2RGB))
print(img_sk.shape)
# skimage 转 opencv
img_cv_back = cv2.cvtColor(img_as_ubyte(img_sk),cv2.COLOR_RGB2BGR)
# skimage 转 PIL
img_sk2pil = Image.fromarray(img_as_ubyte(img_sk))
# PIL 转 skimage
img_pil2sk = img_as_float(img_sk2pil)
print(img_sk.s