标签：参数 -- 特征 wait 缩略图 分析 ota 定义 plt
Hello！今天我们来学习一下这个神奇的图片处理的第三方函数库——PIL库
（本blog部分图片及代码来自网络）
这是一个支持图像存储、显示和处理的函数库，它能够处理几乎所有图像格式，可以完成对图像的缩放、裁剪、叠加以及图像添加条纹，文字等信息等的操作。
首先是利用pip下载一个：
它有许多子库，例如：Image、ImageChops、ImageDraw等等，他们各有神通，发挥着自己的作用，
首先我们当然学习的是经典的Image子库；
| 方法 | 描述 |
| Image.open(filename) | 根据参数加载图像文件 |
| Image.new(mode,size,color) | 根据给定参数创建一个新的图像 |
| Image.open(StringIO.StringIO(buffer)) | 从字符串中获取图像 |
| Image.frombytes(mode,size,data) | 根据像素点data创建图像 |
| Image.verify() | 对图像文件完整性进行检查，返回异常 |
常用函数
读取一张图片：
im=Image.open(‘test.jpg’)
显示一张图片：
im.show()
保存图片：
im.save(“save.gif”,“GIF”) #保存图像为gif格式
查看图像信息
im.format, im.size, im.mode
图片裁剪：
box=(100,100,500,500)
#设置要裁剪的区域
region=im.crop(box) #此时，region是一个新的图像对象。
改变图像的大小
out=img.resize((128,128))#resize成128*128像素大小
旋转图像
out=img.rotate(45) #逆时针旋转45度
图像类型转换
im=im.convert(“RGBA”)
（2）缩略图的学习，我们有时候为了节约储存空间，会将原来的图片进行压缩，通过等比例压缩之后会变成缩略图，那么如何用Image库来实现呢？？
原图
from PIL import Image
im = Image.open(‘test1.jpeg‘)
size = im.size
if size[0] > size[1]:
rate = float(200) / float(size[0])
else:
rate = float(128) / float(size[1])
new_size = (int(size[0] * rate), int(size[1] * rate))
new = im.resize(new_size, Image.BILINEAR)
new.save(‘n.jpeg‘)
im.show(‘n.jpeg‘)
缩列图；
简单的来说，浮雕就是把所要呈现的图像突起于石头表面，根据凹凸的程度不同从而形成三维的立体感。
用Python画一张浮雕画，那就进行类似的原理，通过勾画图像的轮廓，并且降低周围的像素值，那就可以产生一张具有立体感的浮雕效果图片。我们可以采用相邻像素相减的方法来得到轮廓与平面的差，类似边缘的特征，从而获得这种立体感，为了增强图片的主观感受，我们还可以给这个差加上一个固定值。
那具体怎么实现呢？首先先把图片读入内存，转化为灰度图像，使用当前像素值 = 相邻像素值之差来得到图像的边缘特征，在加上固定数值150就可以得到浮雕效果了。
实现浮雕效果的代码如下
import cv2
import numpy as np
img = cv2.imread(‘E:pythoneeLearnOpenCV\test222.jpg‘,1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
dstImg = np.zeros((height,width,1),np.uint8)
# 算法：newPixel = grayCurrentPixel - grayNextPixel + 150
for i in range(0,height):
for j in range(0,width-1):
grayCurrentPixel = int(gray[i,j])
grayNextPixel = int(gray[i,j+1])
newPixel = grayCurrentPixel - grayNextPixel + 150
if newPixel > 255:
newPixel = 255
if newPixel < 0:
newPixel = 0
dstImg[i,j] = newPixel
cv2.imshow(‘dstImg‘,dstImg)
cv2.waitKey(0)
注意在这里图像像素是用0-255的范围表示的，所以当像素值大于255时，需要将他变为255。
浮雕效果结果显示对比
import cv2
import numpy as np
from matplotlib import pyplot as plt
import copy
img = cv2.imread(‘liuyifei.jpg‘,0)
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)
rows,cols = img.shape
crow,ccol = int(rows/2) , int(cols/2)
for i in range(crow-30,crow+30):
for j in range(ccol-30,ccol+30):
fshift[i][j]=0.0
f_ishift = np.fft.ifftshift(fshift)
img_back = np.fft.ifft2(f_ishift)#进行高通滤波
# 取绝对值
img_back = np.abs(img_back)
plt.subplot(121),plt.imshow(img,cmap = ‘gray‘)#因图像格式问题，暂已灰度输出
plt.title(‘Input Image‘), plt.xticks([]), plt.yticks([])
#先对灰度图像进行伽马变换，以提升暗部细节
rows,cols = img_back.shape
gamma=copy.deepcopy(img_back)
rows=img.shape[0]
cols=img.shape[1]
for i in range(rows):
for j in range(cols):
gamma[i][j]=5.0*pow(gamma[i][j],0.34)#0.34这个参数是我手动调出来的，根据不同的图片，可以选择不同的数值
#对灰度图像进行反转
for i in range(rows):
for j in range(cols):
gamma[i][j]=255-gamma[i][j]
plt.subplot(122),plt.imshow(gamma,cmap = ‘gray‘)
plt.title(‘Result in HPF‘), plt.xticks([]), plt.yticks([])
plt.show()
原图
输出结果
（6）美白磨皮实现原理
大神提供的算法:
Dest =(Src * (100 - Opacity) + (Src + 2 * GuassBlur(EPFFilter(Src) - Src + 128) - 256) * Opacity) /100 ;
大神本神传送门，该算法其实是对 PS 的一种磨皮方案的脚本实现。
网上看到的一个基于上述公式的 python 实现方案beauty_face，但是他再线性光叠加时出错，修正后如beauty_face2(由于对Python矩阵运算不熟悉使用了比较笨的方法实现), 具体见代码：
#!/bin/python
# 祛痘美白
import numpy as np
import cv2
def beauty_face(img):
‘‘‘
Dest =(Src * (100 - Opacity) + (Src + 2 * GuassBlur(EPFFilter(Src) - Src + 128) - 256) * Opacity) /100 ;
https://my.oschina.net/wujux/blog/1563461
‘‘‘
dst = np.zeros_like(img)
#int value1 = 3, value2 = 1; 磨皮程度与细节程度的确定
v1 = 3
v2 = 1
dx = v1 * 5 # 双边滤波参数之一
fc = v1 * 12.5 # 双边滤波参数之一
p = 0.1
temp4 = np.zeros_like(img)
temp1 = cv2.bilateralFilter(img,dx,fc,fc)
temp2 = cv2.subtract(temp1,img)
temp2 = cv2.add(temp2,(10,10,10,128))
temp3 = cv2.GaussianBlur(temp2,(2*v2 - 1,2*v2-1),0)
temp4 = cv2.add(img,temp3)
dst = cv2.addWeighted(img,p,temp4,1-p,0.0)
dst = cv2.add(dst,(10, 10, 10,255))
return dst
def beauty_face2(src):
‘‘‘
Dest =(Src * (100 - Opacity) + (Src + 2 * GuassBlur(EPFFilter(Src) - Src + 128) - 256) * Opacity) /100 ;
‘‘‘
dst = np.zeros_like(src)
#int value1 = 3, value2 = 1; 磨皮程度与细节程度的确定
v1 = 3
v2 = 1
dx = v1 * 5 # 双边滤波参数之一
fc = v1 * 12.5 # 双边滤波参数之一
p = 0.1
temp4 = np.zeros_like(src)
temp1 = cv2.bilateralFilter(src,dx,fc,fc)
temp2 = cv2.subtract(temp1,src)
temp2 = cv2.add(temp2, (10,10,10,128))
temp3 = cv2.GaussianBlur(temp2,(2*v2 - 1,2*v2-1),0)
temp4 = cv2.subtract(cv2.add(cv2.add(temp3, temp3), src), (10, 10, 10, 255))
dst = cv2.addWeighted(src,p,temp4,1-p,0.0)
dst = cv2.add(dst, (10, 10, 10,255))
return dst
def init():
img = cv2.imread(‘testimg.jpg‘)
# blur1 = cv2.GaussianBlur(img, (5,5),0)
# blur2 = cv2.bilateralFilter(img, 9 , 75, 75)
blur3 = beauty_face(img)
blur4 = beauty_face2(img)
cv2.imshow(‘image0‘, img)
# cv2.imshow(‘image1‘, blur1)
# cv2.imshow(‘image2‘, blur2)
cv2.imshow(‘image3‘, blur3)
cv2.imshow(‘image4‘, blur4)
#cv2.namedWindow(‘image‘, cv2.WINDOW_NORMAL)
#cv2.resizeWindow(‘image‘, 1000, 1000) #定义frame的大小
cv2.waitKey(0)
cv2.imwrite(‘result1.png‘, blur3)
cv2.imwrite(‘result2.png‘, blur4)
cv2.destroyAllWindows()
if __name__ == "__main__":
init()
原图：beauty_face 与 beauty_face2 对比如下：
小编找到了10几行的，好玩的动态表情包生成的代码。分享分享！
这个程序怎么做呢？不要急，来听我给大家分析分析。
语言：Python 3.6
编辑器：Pycharm
程序步骤
实现字符动态图转化只需要 3 步，合久必分，分久必合。
把原动态图拆分成一帧一帧的图片。
把拆分的每帧图片转化为字符画。
把每帧字符画图片组合成动态图。
把上面安装好的两个库在编辑器 Pycharm 的 settings/Interpreter 中安装好并在程序中导入，说明下，opencv-python 这个库这次只用到其中的 cv2 模块，所以只需导入这个模块。
importimageioimportcv2
拆分图片
先定义好原始图片和处理后的图片的保存路径，这个大家运行程序前需要换成你自己需要转化的图片路径和转换后字符画图片的路径和名称。然后用 imageio 中的 mimread 方法读取原动态图，把动态图每帧都拆分成若干张图片。
直接使用 PS 双曲线、中性灰、高低频等磨皮方案，能比自动化处理取得不错的效果，但自动化胜在傻瓜化。目前的方案是对全图做了平滑处理，并不只是对脸部，更高级方案可参考图像算法---磨皮算法研究汇总。
标签：参数 -- 特征 wait 缩略图 分析 ota 定义 plt
原文地址：https://www.cnblogs.com/2987831760qq-com/p/10687110.html
