一、说明

        Pillow 具有被 Python 社区广泛使用的优势，并且它不像其他一些图像处理库那样具有陡峭的学习曲线。应用PIL库的Image对象，益处很多，首先它可以处理网上URL文件，其次，图片可以方面转化成int32、64或float类型，因而可以方便实现变换和显示uint8。尤其和Tkinter搭配，用起来非常方便顺手。

二、内容提要

• 使用 Python Pillow 库进行基本图像操作
• Pillow 中的图像模块和图像类
• 基本图像处理
• Python Pillow 库中图像的波段和模式
• 在 Python 中使用 Pillow 进行图像处理
• 使用卷积核的图像过滤器
• 图像模糊、锐化和平滑
• 边缘检测、边缘增强和压花
• 图像分割和叠加：一个例子
• 图像阈值处理
• 腐蚀和膨胀
• 使用阈值分割图像
• 使用 Image.paste() 叠加图像
• 创建水印
• 使用 NumPy 和 Pillow 进行图像处理
• 使用 NumPy 相互减去图像
• 使用 NumPy 创建图像
• 创建动画
• 结论

三、使用 Python Pillow 库进行基本图像操作

        Python Pillow 库是一个名为 PIL 的旧库的分支。PIL 代表 Python Imaging Library，它是使 Python 能够处理图像的原始库。PIL 于 2011 年停产，仅支持 Python 2。按照开发人员自己的描述，Pillow 是友好的 PIL 分支，它使库保持活力并包含对 Python 3 的支持。

        Python 中有不止一个模块来处理图像并执行图像处理。如果您想通过操作像素直接处理图像，那么您可以使用NumPy和SciPy。其他流行的图像处理库是OpenCV、scikit-image和Mahotas。其中一些库比 Pillow 更快、更强大。

        然而，Pillow 仍然是处理图像的重要工具。它提供的图像处理功能类似于 Photoshop 等图像处理软件中的功能。Pillow 通常是不需要更高级图像处理专业知识的高级图像处理任务的首选。它也经常用于处理图像时的探索性工作。      

        您需要先安装该库才能使用它。您可以pip在虚拟环境中使用以下命令安装 Pillow ：

• 视窗
• Linux + macOS

PS> python -m venv venv
PS> .\venv\Scripts\activate
(venv) PS> python -m pip install Pillow

        现在您已经安装了该软件包，您可以开始熟悉Python Pillow 库并执行基本的图像操作。

3.1 Pillow 中的模块Image和Image类

        Pillow 中定义的主要类是Image类。当您使用 Pillow 读取图像时，图像将存储在 类型的对象中Image。

        对于本部分中的代码，您将需要名为buildings.jpg( imagecredit ) 的图像文件，您可以在本教程的图像存储库中找到该文件：

        获取图像： 单击此处访问您将使用 Pillow 操作和处理的图像。

        您可以将此图像文件放置在您正在使用的项目文件夹中。

        使用 Pillow 探索图像时，最好使用交互式 REPL 环境。首先打开刚刚下载的图像：

>>>

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
...     img.load()
...>>> type(img)
<class 'PIL.JpegImagePlugin.JpegImageFile'>>>> isinstance(img, Image.Image)
True

        您可能希望从 Pillow 导入，而不是从 PIL 导入。Pillow毕竟你确实安装了，而不是PIL。然而，Pillow 是 PIL 库的一个分支。PIL因此，在导入代码时您仍然需要使用。

        您调用该open()函数从文件中读取图像并将.load()图像读入内存，以便现在可以关闭文件。您可以使用with语句创建上下文管理器，以确保文件在不再需要时立即关闭。

        在此示例中，对象是 JPEG 图像特定类型，它是该类的子类Image，正如您通过调用 来确认的那样isinstance()。请注意，类和定义该类的模块共享相同的名称Image。您可以使用以下命令显示图像.show()：

>>>

>>> img.show()

该.show()方法将图像保存为临时文件，并使用操作系统的本机软件处理图像来显示它。当您运行上面的代码时，您将看到显示以下图像：

        在某些系统上，调用.show()将阻止 REPL，直到您关闭映像。这取决于操作系统和您使用的默认图像查看软件。

        在处理 Python Pillow 库中的图像时，您需要熟悉三个关键属性。您可以使用Image类属性.format、.size和来探索这些.mode：

>>>

>>> img.format
'JPEG'>>> img.size
(1920, 1273)>>> img.mode
'RGB'

        图像的格式显示了您正在处理的图像类型。在本例中，图像的格式为'JPEG'. 尺寸显示图像的宽度和高度（以像素为单位）。该图像的模式是'RGB'. 您很快就会了解有关模式的更多信息。

        通常，您可能需要裁剪图像并调整图像大小。该类有两个Image方法可用于执行这些操作.crop()：.resize()

>>>

>>> cropped_img = img.crop((300, 150, 700, 1000))
>>> cropped_img.size
(400, 850)>>> cropped_img.show()>>> low_res_img = cropped_img.resize(
...     (cropped_img.width // 4, cropped_img.height // 4)
... )
>>> low_res_img.show()

        的参数.crop()必须是一个 4 元组，用于定义要裁剪的区域的左边缘、上边缘、右边缘和下边缘。Pillow 中使用的坐标系将坐标 (0, 0) 分配给左上角的像素。这与通常用于二维数组的坐标系相同。4 元组代表图像的以下部分：

.crop()上面代码中返回的新图像的大小为400x850像素。裁剪后的图像仅显示原始图片中的一栋建筑物：

        在上面的代码中，您还可以使用 更改裁剪图像的分辨率.resize()，这需要一个元组作为必需参数。用作参数的元组定义图像的新宽度和高度（以像素为单位）。

        在上面的示例中，您使用楼层除法运算符( //) 以及Image属性.width和，将新的宽度和高度设置为其原始值的四分之一.height。最后调用show()显示裁剪和调整大小的图像：

        您可以使用其他可选参数来.resize()控制图像的重新采样方式。或者，您可以使用以下方法实现类似的缩放.reduce()：

>>>

>>> low_res_img = cropped_img.reduce(4)

        该参数决定了缩小图像的因子。如果您更喜欢设置最大尺寸而不是缩放因子，那么您可以使用.thumbnail()。缩略图的大小将小于或等于您设置的大小。

        注意：该.thumbnail()方法会Image就地更改对象，并且不会返回新对象。但是，.crop()、.resize()和.reduce()都返回一个新Image对象。并非 Pillow 库中的所有方法都具有相同的行为方式。

Image一旦您对返回的图像感到满意，您可以使用以下命令将任何对象保存到文件中.save()：

>>>

>>> cropped_img.save("cropped_image.jpg")
>>> low_res_img.save("low_resolution_cropped_image.png")

        调用该方法后，它会在项目文件夹中创建图像文件。在此示例中，其中一个图像是 JPEG 图像，另一个是 PNG 图像。用作文件名的扩展名会自动确定文件格式，或者您可以将格式指定为附加可选参数。

3.2 基本图像处理

        除了裁剪和调整大小之外，您还可以对图像进行操作。另一个常见的要求是旋转或翻转图像。您可以使用该.transpose()方法进行一些转换。继续执行您在上一节中开始的相同 REPL 会话：

>>>

>>> converted_img = img.transpose(Image.FLIP_TOP_BOTTOM)
>>> converted_img.show()

        此代码显示以下图像：

        您可以将七个选项作为参数传递给.transpose()：

1. Image.FLIP_LEFT_RIGHT：将图像从左向右翻转，形成镜像
2. Image.FLIP_TOP_BOTTOM：将图像从上到下翻转
3. Image.ROTATE_90：将图像逆时针旋转 90 度
4. Image.ROTATE_180：将图像旋转 180 度
5. Image.ROTATE_270：将图像逆时针旋转 270 度，与顺时针旋转 90 度相同
6. Image.TRANSPOSE：以左上角像素为原点转置行和列，转置图像中的左上角像素与原始图像中的相同
7. Image.TRANSVERSE：使用左下像素作为原点转置行和列，左下像素是原始版本和修改版本之间保持固定的像素

        上面的所有旋转选项都以 90 度为步长定义旋转。如果您需要将图像旋转另一个角度，那么您可以使用.rotate()：

>>>

>>> rotated_img = img.rotate(45)
>>> rotated_img.show()

        此方法调用将图像逆时针旋转 45 度，得到以下图像：

        返回的对象Image与原始对象大小相同Image。因此，该显示中缺少图像的角点。您可以使用命名参数更改此行为expand：

>>>

>>> rotated_img = img.rotate(45, expand=True)
>>> rotated_img.show()

        此方法返回完全包含旋转图像的更大图像：

您可以使用其他可选参数进一步自定义旋转。您现在可以更改图像的大小和方向。在下一节中，您将了解 Python Pillow 库中不同类型的图像。

3.3 Python Pillow 库中图像的波段和模式

        图像是像素的二维阵列，其中每个像素对应一种颜色。每个像素可以由一个或多个值表示。例如，在RGB图像中，每个像素由与该像素的红色、绿色和蓝色值相对应的三个值表示。

        因此，ImageRBG 图像的对象包含三个波段，每个波段对应一种颜色。像素大小的 RGB 图像由值数组100x100表示。100x100x3

        RGBA图像还包括 alpha 值，其中包含有关每个像素透明度的信息。RGBA 图像有四个色带，一个色带代表每种颜色，第四个色带包含 Alpha 值。每个带具有与图像尺寸相同的尺寸。因此，尺寸为像素的 RGBA 图像由值数组100x100表示。100x100x4

        图像的模式描述了您正在使用的图像类型。Pillow 支持大多数标准模式，包括黑白（二进制）、灰度、RGB、RGBA 和CMYK。您可以在有关模式的 Pillow 文档中查看支持的模式的完整列表。

   Image您可以使用该方法找出对象中有多少个带.getbands()，并且可以使用在模式之间进行转换.convert()。现在，您将在本教程中使用图像存储库中名为strawberry.jpg( image Credit )的图像：

        该图像的模式也是 RGB。您可以将此图像转换为其他模式。此代码使用您在前面部分中启动的相同 REPL 会话：

>>>

>>> filename = "strawberry.jpg"
>>> with Image.open(filename) as img:
...     img.load()
...>>> cmyk_img = img.convert("CMYK")
>>> gray_img = img.convert("L")  # Grayscale>>> cmyk_img.show()
>>> gray_img.show()>>> img.getbands()
('R', 'G', 'B')
>>> cmyk_img.getbands()
('C', 'M', 'Y', 'K')
>>> gray_img.getbands()
('L',)

        您调用.convert()两次将 RGB 图像转换为 CMYK 和灰度版本。CMYK 图像看起来与原始图像相似，但使用印刷材料而不是数字显示的常见模式进行编码。转换为灰度给出以下输出：

        调用的输出.getbands()确认 RGB 图像中有 3 个波段、CMYK 图像中有 4 个波段、灰度图像中有 1 个波段。

        您可以使用 将图像分成多个波段.split()，并Image使用 将单独的波段重新组合回对象中merge()。当您使用 时.split()，该方法将所有带区作为单独的Image对象返回。您可以通过显示返回的对象之一的字符串表示形式来确认这一点：

>>>

>>> red, green, blue = img.split()
>>> red
<PIL.Image.Image image mode=L size=1920x1281 at 0x7FDD80C9AFA0>
>>> red.mode
'L'

        返回对象的模式.split()为，表示这是一张灰度图像，或者是只显示每个像素的亮度'L'值的图像。

   merge()现在，您可以使用模块中的函数创建三个新的 RGB 图像，分别显示红色、绿色和蓝色通道Image：

>>>

>>> zeroed_band = red.point(lambda _: 0)>>> red_merge = Image.merge(
...     "RGB", (red, zeroed_band, zeroed_band)
... )>>> green_merge = Image.merge(
...     "RGB", (zeroed_band, green, zeroed_band)
... )>>> blue_merge = Image.merge(
...     "RGB", (zeroed_band, zeroed_band, blue)
... )>>> red_merge.show()
>>> green_merge.show()
>>> blue_merge.show()

        第一个参数merge()确定您要创建的图像的模式。第二个参数包含要合并到单个图像中的各个波段。

        单独存储在变量 中的红色波段red是模式为 L 的灰度图像。要创建仅显示红色通道的图像，请将原始图像中的红色波段与仅包含零的绿色和蓝色波段合并。要创建一个到处都包含零的带，可以使用该.point()方法。

        该方法需要一个函数作为参数。您使用的函数决定每个点的变换方式。在本例中，您使用lambda函数将每个点映射到0。

        当您将红色波段与包含零的绿色和蓝色波段合并时，您会得到一个名为 的 RGB 图像red_merge。因此，您创建的 RGB 图像仅在红色通道中具有非零值，但由于它仍然是 RGB 图像，因此它将以彩色显示。

        您还可以重复类似的过程来获取green_merge和blue_merge，其中包含带有来自原始图像的绿色和蓝色通道的 RGB 图像。该代码显示以下三张图像：

        红色图像在代表草莓的像素中包含强信号，因为这些像素大部分是红色的。绿色和蓝色通道将这些像素显示为黑色，因为它们的值较小。例外的是那些代表草莓表面上的光反射的像素，因为这些像素几乎是白色的。

        创建本教程中所示的并排显示显示隐藏.