Python数据分析与挖掘————图像的处理

系列文章目录

---

---

前言

在大数据流行的今天，对数据的处理以及分析都成了至关重要的方面。二我们这节所要学的就是对图片的处理。利用代码去处理一些图片。以及认识图片的本质。

图片的马赛克

我们都知道，在生活中我们有时候为了不暴露我们的信息。照片有时就会用马赛克的方式来隐藏我们的基本面貌信息。虽然现在手机推出了很多的软件可以对图片进行马赛克处理，但是大多数的软件马赛克都是已经设定好的，无法更改他们的值。而今天我们就可以用到Python中的matplotlib模块来实现图片的马赛克。

一.安装matplotlib，numpy等模块

python的编写有人用的时VS code，也有pycharm编译器。这里介绍vs code编译器。
一.按住win+R键，打开控制端，输入cmd命令;

二.在打开的用户控制界面输入pip install [模块]命令;

如上图一样，将需要下载的模块输入，下载成功后就可以使用模块。而对于使用pycharm编译器的同学，就打开pycharm的终端，输入pip install [模块]
就可以了。
三.使用模块
我们主要使用的时matplotlib中的image，故我们导入模块;

import matplotlib.image as mpimg
import math
import numpy as np
import matplotlib.pyplot as plt
1
2
3
4

导入模块后，我们就可以进行图片的处理了.

二.马赛克图片

一.导入图片

matplotlib.image中的imread（）函数就是用来读取图片的编码的。我们可以提前将要使用的图片放在该目录下，也可直接导入，这里博主就使用上次爬虫得到的图片。具体的图片你自己根据自己的情况来定
data_jpg=mpimg.imread('D:\CSDN图片\work.jpg') #导入图片，解码

我们打印一下他的值，我们会发现图片解码后就是一个三维数组。而我们对他的操作都是这个数组的操作。

二.定位区域

我们对需要打马赛克的位置进行定位，（imshow()函数）

我们会发现我们导入的图片的周围出现了刻度，我们可以根据他上面的刻度来估计我们要进行打码的位置。找到打码的位置后，进行切割;
data1=data_jpg[50:320,150:350]

然后我们就会得到一个经过切割过的图片。我们现在就对这张图片进行像素进行细分割。
data1=data1[::27,::40]根据自己的需要，定义分割的值，这里就表示了把图片的像素以27（y轴），40（x轴）的间隔进行切割为一个像素。就会形成马赛克。

三.图片的合成

最后将上面已经马赛克化的图片区域拷贝到原图片中就可以了;

for i in range(10):
    for j in range(5):
        data2[50+27*i:50+27+27*i,150+40*j:150+40+40*j]=data1[i,j]
1
2
3

最后，将图片显示出来就可以了，如果需要保存，就使用savefig()函数即可;
现在我们来看看最后的效果;

源代码展示;

import matplotlib.image as mpimg
import math
import numpy as np
import matplotlib.pyplot as plt
data_jpg=mpimg.imread('D:\CSDN图片\work.jpg')
#plt.imshow(data_jpg)
#马赛克;
data2=data_jpg.copy()
data1=data_jpg[50:320,150:350]
#plt.imshow(data1)
data1=data1[::27,::40]
#plt.imshow(data1)
for i in range(10):
    for j in range(5):
        data2[50+27*i:50+27+27*i,150+40*j:150+40+40*j]=data1[i,j]
plt.imshow(data2)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

图片拼接

python中队图片的处理，除了可以打马赛克，还可以对其进行变色，虚拟化，灰图像处理，图片拼接等功能;
concatenate()函数
图片的拼接就是用concatenate（）函数实现;

import matplotlib.image as mpimg
import math
import numpy as np
import matplotlib.pyplot as plt
data_jpg=mpimg.imread('D:\CSDN图片\work.jpg')
data3=np.concatenate([data_jpg,data_jpg],axis=1)
plt.imshow(data3)
1
2
3
4
5
6
7

图像的灰度化

一.max()方法

上文提到的，图片的组成就是一个三维数组，其中的数字代表了他们的图像特点。所以，图像的灰度化，也就可以通过改变他们的位置，值，维度来改变图片的颜色，形状.
我们可以看下面的例子;

import matplotlib.image as mpimg
import math
import numpy as np
import matplotlib.pyplot as plt
data_jpg=mpimg.imread('D:\CSDN图片\work.jpg')
print(data_jpg)
1
2
3
4
5
6

[[[215 221 211]
  [215 221 211]
  [215 221 211]
  ...
  [204 189 182]
  [203 188 181]
  [202 187 180]]

 [[215 221 211]
  [215 221 211]
  [215 221 211]
  ...
  [204 189 182]
  [203 188 181]
  [202 187 180]]

 [[215 221 211]
  [215 221 211]
  [215 221 211]
  ...
  [204 189 182]
  [203 188 181]
  [201 186 179]]

 ...
...
  ...
  [188 150 137]
  [189 151 138]
  [189 151 138]]]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

data_jpg=mpimg.imread("D:\CSDN图片\work.jpg")
#最大值法;
s=np.max(data_jpg,axis=-1)#axis取-1就是为了得到最里面的值;
plt.imshow(s,cmap='gray') #cmap参数表示最后的颜色，gray时灰色;
1
2
3
4

效果展示;

二.min（）方法

和max（）方法相似，所以这里不做过多的介绍，就直接粘贴代码;

data_jpg=mpimg.imread("D:\CSDN图片\work.jpg")
sss=np.min(data_jpg,axis=-1)
plt.imshow(sss,cmap='gray')
1
2
3

三.平均值法mean()函数

data_jpg=mpimg.imread("D:\CSDN图片\work.jpg")
#最大值法;
s=np.max(data_jpg,axis=-1)
plt.imshow(s,cmap='gray')
1
2
3
4

效果展示;

和上面的方法所得出的效果基本相似。所以，掌握其中一种方法即可.

四.加权平均值法

和平均值法不一样的是，加权平均值法可以根据自己给的数据不同的灰度化;

data_jpg=mpimg.imread("D:\CSDN图片\work.jpg")
weight=[0.01,0.01,0.01]  #这里的值自己更改，值越大，灰度化颜色偏深，反之则偏浅.
ss=np.dot(data_jpg,weight)
plt.imshow(ss,cmap='gray')

1
2
3
4
5

图片的分割

有时候我我们只需要图片其中的一小部分，那我们就可以通过分割函数split()函数来实现;

one,data4,two=np.split(data_jpg,indices_or_sections=[100,400],axis=1) #中间的参数表示我们分割的区间;
plt.imshow(data4)
plt.imshow(one)
plt.imshow(two)
1
2
3
4

效果展示;

总结

本节我要介绍的就这些了，对于图片的处理还有很多的方式，这里就先不过多的介绍，后面我会继续更新。利用代码实现图片的处理，会有很大的灵活使用空间，不局限于手机软件的限制，所以掌握这些方式也是有很大的益处.
源代码放在了下面，有兴趣的同学可以看一下.

源代码

import matplotlib.image as mpimg
import math
import numpy as np
import matplotlib.pyplot as plt
data=mpimg.imread("./onetemp.jpg")
data1=data.copy()
#打马赛克;
#第一步，找出要打马赛克的位置;
data2=data1[200:900,100:800]
#第二步，将图片比例的收缩;
data2=data2[::35,::35]
print(data2.shape)
datatemp=data1.copy()
#第三步，替换，将现有的替换到原来的，记住两个尺寸不一样;
for i in range(20):
    for j in range(20):
        datatemp[200+35*i:200+35*i+35,100+35*j:100+35*j+35]=data2[i,j]
plt.imshow(datatemp)

#图片的拼接;
data4=np.concatenate([data,data])#axis=1时，并排着;
plt.imshow(data4)
data5=np.concatenate([data,data],axis=1)
plt.imshow(data5)
#图片切割;
one,two,three=np.split(data,indices_or_sections=[400,600],axis=1)
plt.imshow(one)
plt.imshow(two) 
plt.imshow(three)

#图像灰度化;
#第一种方法，最小值法;
data=mpimg.imread('./onetemp.jpg')
#data=np.min(data,axis=-1)
#plt.imshow(data,cmap='gray')
#第二种方法，最小值法;
data1=np.max(data,axis=-1)
#plt.imshow(data1,cmap='gray')
#第三种，平均值法;
data3=np.mean(data,axis=-1)#等价于data.mean()函数;
#plt.imshow(data3,cmap='gray')

#第四种方法，加权平均值法，dot函数;
weight=[0.299,0.345,0.456]
data6=np.dot(data,weight)
plt.imshow(data6,cmap='gray')


data_jpg=mpimg.imread('D:\CSDN图片\work.jpg')
print(data_jpg)
#plt.imshow(data_jpg)
#马赛克;
data2=data_jpg.copy()
data1=data_jpg[50:320,150:350]
#plt.imshow(data1)
data1=data1[::27,::40]
#plt.imshow(data1)
for i in range(10):
    for j in range(5):
        data2[50+27*i:50+27+27*i,150+40*j:150+40+40*j]=data1[i,j]
plt.imshow(data2)


#照片的合集;
import matplotlib.image as mpimg
import math
import numpy as np
import matplotlib.pyplot as plt
data_jpg=mpimg.imread('D:\CSDN图片\work.jpg')
data3=np.concatenate([data_jpg,data_jpg],axis=1)
plt.imshow(data3)

#图片的切割;
one,data4,two=np.split(data_jpg,indices_or_sections=[100,400],axis=1)
plt.imshow(data4)
#plt.imshow(one)
#plt.imshow(two)

#图像的灰度化;
data_jpg=mpimg.imread("D:\CSDN图片\work.jpg")
#最大值法;
s=np.max(data_jpg,axis=-1)
plt.imshow(s,cmap='gray')
#加权平均值法;
data_jpg=mpimg.imread("D:\CSDN图片\work.jpg")
weight=[0.31,0.41,0.53]
ss=np.dot(data_jpg,weight)
plt.imshow(ss,cmap='gray')

#平均值法;
smp=np.mean(data_jpg,axis=-1)
plt.imshow(smp,cmap='gray')

#最小值法;
sss=np.min(data_jpg,axis=-1)
plt.imshow(sss,cmap='gray')


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99