Как прочитать изображение python

Pillow — работа с картинками

Pillow — самая популярная библиотека для работы с изображениями в Python. С помощью неё картинки можно открывать, вращать, накладывать фильтры и даже работать с отдельными пикселями.

Обзор

Импортируется библиотека так:

from PIL import Image 

Pillow — улучшенная версия библиотеки PIL , поэтому импортируется она таким странным образом. В коде она будет называться PIL .

Далее попробуем что-нибудь сделать с картинкой:

from PIL import Image image = Image.open("example.jpg") rotated_image = image.rotate(45) rotated_image.save("rotated.jpg") 

Сначала открываем картинку с названием example.jpg и кладём её в переменную image . На следущей строке поворачиваем картинку на 45 градусов. Метод .rotate() не меняет картинку, а создаёт новую, поэтому положим её в переменную rotated_image . И в конце сохраняем повёрнутую картинку в новый файл rotated.jpg .

Атрибуты картинок

В Pillow есть новые типы данных: JpegImageFile , PngImageFile … Они позволяют хранить картинки прямо в переменных Python. У картинок есть несколько атрибутов, которые понадобятся вам в будущем:

• format — формат данных картинки: jpeg , png …
• mode — цветовая модель картинки: CMYK , RGB , L — для чёрно-белых изображений.
• width — ширина картинки в пикселях.
• height — высота картинки в пикселях.
• size — размер картинки в пикселях. Возвращает tuple : (ширина, высота).

Как их извлечь:

from PIL import Image image = Image.open("example.jpg") print(image.format) # Выведет JPG print(image.mode) # Например, может вывести RGB 

Открыть картинку

Для открытия картинки используется функция Image.open() .

В качестве аргументов она принимает на вход путь до файла, который нужно открыть:

from PIL import Image image = Image.open("example.jpg") 

Сохранить картинку в файл

Для сохранения картинки есть метод .save() .

В качестве аргументов он принимает:

• Путь до файла, в который сохранить картинку.
• Именованный необязательный параметр format , в котором передаётся формат сохраняемой картинки.

from PIL import Image image = Image.open("example.jpg") image.save("new.jpg") image.save("another.jpg", format="JPEG") 

В качестве результата появится 2 копии картинки: new.jpg и another.jpg .

Перевести картинку в другую цветовую модель

О цветовой модели вы можете прочитать в разделе Атрибуты. Чтобы поменять цветовую модель картинки, нужно воспользоваться методом .convert() . Он принимает на вход именной аргумент mode :

from PIL import Image image = Image.open("example.jpg") print(image.mode) # Вывелось RGB cmyk_image = image.convert("CMYK") print(cmyk_image.mode) # Вывелось CMYK print(image.mode) # Вывелось RGB 

Заметим, что метод не меняет исходную картинку, а создаёт её копию с цветовой моделью CMYK . Поэтому мы положили её в отдельную переменную.

Обрезать картинку

За обрезание картинки отвечает метод .crop() . Он принимает на вход кортеж из 4 чисел: координат углов новой картинки. Координаты отсчитываются с левого верхнего угла картинки:

Координаты нужно передать в таком порядке: слева, сверху, справа, снизу. Например, вы хотите отрезать 10 пикселей слева и 15 сверху:

from PIL import Image image = Image.open("example.jpg") coordinates = (10, 15, image.width, image.height) cropped = image.crop(coordinates) # Отрежется 10 пикселей слева и 15 сверху 

Этот код отрезает 10 пикселей слева и 15 сверху. Самая правая координата — это и есть ширина картинки, а самая нижняя — высота, поэтому мы и использовали эти атрибуты картинки.

Разделить картинку на каналы

Картинки состоят из пикселей разных цветов. Каждый пиксель картинки в RGB состоит из 3 значений: сколько в нём красного, сколько зелёного и сколько синего. А в цветовой схеме CMYK из четырёх: голубой, пурпурный, жёлтый и чёрный. Все значения от 0 до 255. 0 — нет такого цвета, а 255 — его очень-очень много.

На самом деле картинки хранят не по пикселям, а по каналам. RGB картинка хранится как 3 картинки: в первой в каждом пикселе число от 0 до 255, показывающее, сколько в нём красного. Во второй то же, только с зелёным, а в третьем — с синим.

Получается 3 картинки. Но если взять какой-то цветовой канал отдельно от картинки, то она не будет знать, какой цвет ей показывать. У неё в каждом пикселе всего одно значение от 0 до 255. Поэтому она отображается как чёрно-белая. Если в пикселе хранится 0, то пиксель будет чёрный, а если 255 — белый. Чем больше число, тем светлее пиксель.

Метод .split() разбивает картинку на каналы. Работает так:

from PIL import Image image = Image.open("example.jpg") print(image.mode) # Вернуло CMYK, значит канала 4 cyan, magenta, yellow, key_color = image.split() # В переменные запишутся 4 чёрно-белые картинки. 

Собрать картинку из каналов

Pillow позволяет разделять картинку на каналы. Но так же позволяет и собирать её обратно. За это отвечает функция Image.merge() . Она принимает на вход 2 аргумента:

• Цветовая модель будущей картинки
• Кортеж из цветовых каналов. Если модель RGB, то первый канал будет покрашен в красный, второй в зелёный, третий в синий.

from PIL import Image image = Image.open("example.jpg") print(image.mode) # Вернуло CMYK, значит канала 4 cyan, magenta, yellow, key_color = image.split() # В переменные запишутся 4 чёрно-белые картинки. new_image = Image.merge("CMYK", (cyan, magenta, yellow, key_color)) 

new_image ничем не отличается от image , т.к. состоит из тех же каналов в том же порядке.

Покрасить цветовой канал

Pillow позволяет раскрашивать чёрно-белые картинки. За это отвечает функция ImageOps.colorize() .

Она принимает 3 аргумента: Картинка, какой цвет показывать вместо чёрного и какой вместо белого. Пример:

from PIL import Image, ImageOps image = Image.open("example.jpg") colorized = ImageOps.colorize(image, black ="red", white ="yellow") 

Код выше сделает из такой картинки:

Изменить размер картинки

Как работает thumbnail

Метод resize приводит картинку к желаемому размеру без сохранения пропорций. Картинка жмётся, становится некрасивой:

Метод thumbnail сохраняет пропорции:

Подробнее о thumbnail

С помощью метода .thumbnail() можно легко сделать миниатюру изображения. Миниатюра — уменьшенная версия картинки, с сохранением пропорций. На вход принимается кортеж с максимальными шириной и высотой. Метод .thumbnail() сам подберёт новые координаты так, чтобы картинка поместилась в заданную область. Например, у вас есть картинка 800×1200 и вы хотите поместить её в рамку 1200×600, то результат метода будет 400×600, т.к. 400×600 как раз помещается в 1200×600:

from PIL import Image image = Image.open("example.jpg") print(image.size) # Вывелось (800, 1200) image.thumbnail((1200, 600)) # Картинка теперь размера 400 на 600 print(image.size) # Вывелось (400, 600) 

Наложить картинки друг на друга

Функция Image.blend() создаёт новую картинку, накладывая одно изображение поверх другого. Для работы ему необходимы три аргумента:

• Первая картинка.
• Вторая картинка, того же размера, что и первая.
• Коэффициент прозрачности.

Если прозрачность равна 0.5, то картинки смешаются в равных долях. Если коэффициент равен 1.0, то первая картинка станет полностью прозрачной и останется только вторая. Если 0.0, то наоборот. Прозрачность задаётся дробным числом через точку.

from PIL import Image image1 = Image.open("image1.jpg") image2 = Image.open("image2.jpg") image3 = Image.blend(image1, image2, 0.5) # Получится картинка, сложенная из двух 

Наложить со смещением

Отдельного метода для этого нет, но получается за счёт комбинации .crop() и Image.blend().

1. Выберите картинку для эффекта. У нас это картинка wave.png с шириной в 1000 пикселей.
2. Отрежьте от неё 200 пикселей слева. Получится wave_left.png шириной 800 пикселей.
3. Возьмите исходную картинку wave.png и отрежьте от неё по 100 пикселей с обоих сторон: слева и справа. Получится wave_middle.png тоже шириной в 800 пикселей.
4. Наложите wave_left.png на wave_middle.png с помощью Image.blend()
5. Сохраните в файл то, что получилось. Это картинка смещённая влево.

Попробуйте бесплатные уроки по Python

Получите крутое код-ревью от практикующих программистов с разбором ошибок и рекомендациями, на что обратить внимание — бесплатно.

Переходите на страницу учебных модулей «Девмана» и выбирайте тему.

OpenCV — быстрый старт: начало работы с изображениями

Перевожу родной OpenCV-шный туториал. И он хорош! (Сложно сказать, чем не понравились те, что есть.)
Изначально туториал в виде ноутбука , поэтому что-то я убрал. А что-то добавил. В общем, это помесь перевода с пересказом.

Вступление

Эта записнушка поможет с первыми шагами в изучении обработки изображений и машинном зрении через OpenCV. Несколько простых примеров объяснят важные вещи! Рассмотрим:

• Как открыть изображение
• Проверить его атрибуты, вроде формы или типа данных в нём
• Матричное представление картинки в Numpy
• Цветные картинки и работу с каналами изображения
• Вывод изображения через matplotlib
• Сохранение изображений

Импортируем нужные библиотеки

import cv2 # собственно OpenCV import numpy as np # для работы с математикой import matplotlib.pyplot as plt # для вывода картинки

Открываем изображения в OpenCV

Картинкой пойдёт крошечная доска в шашечку, 18×18 пикселей:

OpenCV позволяет работать с разными форматами: JPG, PNG, и так далее. Можно загружать цветные и чб-картинки, изображения с альфа-каналом. Для загрузки воспользуйтесь функцией cv2.imread() .

cv2.imread() — синтаксис и аргументы

retval = cv2.imread( filename[, flags] )

retval : если картинка не загрузилась, в retval запишется None . Такое бывает при ошибке в имени/пути, или если изображение битое.

В функцию передаётся один обязательный аргумент и один необязательный флаг:

1. filename : Может быть как относительным, так и абсолютным путём. Это обязательный аргумент.
2. Flags : Флаги нужны для чтения изображения в определенном формате (например, в оттенках серого/цветном/с альфа-каналом). Необязательный аргумент! Значение по умолчанию cv2.IMREAD_COLOR или 1 : этот флаг загрузит изображение как цветное.

Перед примерами посмотрим на пару флагов:

1. cv2.IMREAD_GRAYSCALE или 0 : Загружаем картинку как чёрно-белую
2. cv2.IMREAD_COLOR или 1 : Флаг по умолчанию, загружает картинку как цветную, без альфа-канала.
3. cv2.IMREAD_UNCHANGED или -1 : Загружает картинку в том виде, в котором она есть, включая альфу.

Флагов, конечно, больше.

Теперь посмотрим, что внутри шашечек:

# Читаем изображение как чёрно-белое cb_img = cv2.imread("checkerboard_18x18.png",0) # Печатаем что прочитали. Каждый пиксель есть элемент двумерного массива numpy. # Значение пикселей восьмибитное: [0,255] print(cb_img)

Посмотрим атрибуты изображения

# вывод размера изображения (то есть, массива Numpy) print("Image size is ", cb_img.shape) # тип данных в изображении (то есть, в массиве Numpy) print("Data type of image is ", cb_img.dtype)

В ответ получим:

>>>Image size is (18, 18) >>>Data type of image is uint8

Что за uint8?

8-bit unsigned integer arrays!
Uint8 — стандартный способ отображения изображений, где пиксель описывается диапазоном от 0 до 255. Если это изображение в градациях серого, пиксель со значением 0 является черным, а пиксель со значением 255 — белым.
Есть и другие форматы, конечно.

В общем, работаeт всё, что работает с ndarray : .ndim , .itemsize , .fill() .

А теперь выведем картинку через matplotlib

# рисуем шашечки plt.imshow(cb_img) # выводим шашечки plt.show()

Прочитанная цветовая палитра и отображённая могут и не совпасть. Поэтому явно укажем цветовое пространство для вывода изображения:

# Поставим настройку color map plt.imshow(cb_img, cmap='gray')

Другой пример

Расплывчатые шашечки! Такие же, как в прошлый раз, но теперь с нечёткими гранями:

# Читаем картинку как чб cb_img_fuzzy = cv2.imread("checkerboard_fuzzy_18x18.jpg",0) # Печатаем массив print(cb_img_fuzzy) # Показываем картинку plt.imshow(cb_img_fuzzy,cmap='gray') plt.show()

Переходим к цвету

До этого момента мы говорили про чёрно-белые изображения, а теперь поговорим про цветные.

Подопытным кроликом будет лого колы:

Загружаем, проверяем размер и тип данных:

coke_img = cv2.imread("coca-cola-logo.png",1) print("Image size is ", coke_img.shape) print("Data type of image is ", coke_img.dtype)

В ответ получим:

>>>Image size is (700, 700, 3) >>>Data type of image is uint8

Размер картинки поменялся, потому как чб-изображение состоит из одного канала — от чёрного до белого, а цветное — из нескольких, например, трёх: RGB .

Выведем на экран уже известными манипуляциями:

plt.imshow(coke_img) plt.show()

Цвет лого явно отличается от того, что было. Matplotlib ожидает картинку в формате RGB, а OpenCV хранит их в формате BGR. То есть, для корректного отображения нам нужно поменять местами красный и синий каналы.

# ниже numpy-специфичная конструкция: # (:) — взять каждый элемент по порядку, # (::-1) — взять каждый элемент, но в обратном порядке. coke_img_channels_reversed = coke_img[:, :, ::-1] plt.imshow(coke_img_channels_reversed)

Разделение и объединение каналов

cv2.split() — разделит многоканальный массив на несколько одноканальных.
cv2.merge() — объединит массивы в один многоканальный. Массивы должны быть одинакового размера.

Проверим их на озере. В смысле, озером.

# Разбиваем картинку на каналы: B,G,R img_NZ_bgr = cv2.imread("New_Zealand_Lake.jpg",cv2.IMREAD_COLOR) b,g,r = cv2.split(img_NZ_bgr) # Отрисовываем их plt.figure(figsize=[20,5]) plt.subplot(141);plt.imshow(r,cmap='gray');plt.title("Red Channel") plt.subplot(142);plt.imshow(g,cmap='gray');plt.title("Green Channel") plt.subplot(143);plt.imshow(b,cmap='gray');plt.title("Blue Channel") # Собираем обратно в BGR imgMerged = cv2.merge((b,g,r)) # Выводим, что получилось plt.subplot(144);plt.imshow(imgMerged[. -1]);plt.title("Merged Output") plt.show()

точка с запятой в коде.

. не поощряется, но допускается. Помогает писать код в одну строку, а иногда это удобно!

Перевод в иные цветовые пространства

cv2.cvtColor() — преобразует изображение из одного цветового пространства в другое. В случае преобразования в RGB и из него порядок каналов надо указать явно: RGB или BGR. Формат цвета по умолчанию в OpenCV часто называют RGB, но на самом деле это BGR. Первый байт в стандартном 24-битном цветном изображении будет 8-битным синим компонентом, второй байт будет зеленым, а третий байт будет красным. Четвертый, пятый и шестой байты будут, соответственно, вторым пикселем — синий, зеленый, красный, и так до конца картинки.

Преобразование BGR в RGB

img_NZ_rgb = cv2.cvtColor(img_NZ_bgr, cv2.COLOR_BGR2RGB) plt.imshow(img_NZ_rgb) plt.show()

Преобразование в HSV

HSV — Hue, Saturation, Value — тон, насыщенность, значение.

img_hsv = cv2.cvtColor(img_NZ_bgr, cv2.COLOR_BGR2HSV) # Разобъём картинку на H,S,V каналы h,s,v = cv2.split(img_hsv) # Нарисуем и покажем их plt.figure(figsize=[20,5]) plt.subplot(141);plt.imshow(h,cmap='gray');plt.title("H Channel") plt.subplot(142);plt.imshow(s,cmap='gray');plt.title("S Channel") plt.subplot(143);plt.imshow(v,cmap='gray');plt.title("V Channel") plt.subplot(144);plt.imshow(img_NZ_rgb);plt.title("Original") plt.show()

Модификация отдельного канала

Хочется синий посиней? Есть решение!

img_NZ_bgr = cv2.imread("New_Zealand_Lake.jpg",cv2.IMREAD_COLOR) b,g,r = cv2.split(img_NZ_bgr) b = b+50 # осиняем plt.figure(figsize=[20,5]) plt.subplot(141);plt.imshow(r,cmap='gray');plt.title("Red Channel") plt.subplot(142);plt.imshow(g,cmap='gray');plt.title("Green Channel") plt.subplot(143);plt.imshow(b,cmap='gray');plt.title("Blue Channel") imgMerged = cv2.merge((r,g,b)) # в этот раз соберём сразу RGB plt.subplot(144);plt.imshow(imgMerged);plt.title("Merged Output") plt.show()

Сохранение изображений

Почти cv2.imread , только cv2.imwrite . Первым аргументом передаём путь и имя, вторым — изображение. Оба два обязательны. Расширение OpenCV подберёт, отталкиваясь от указанного в имени. Ещё можно докинуть параметров, и, например, указать качество JPG.

cv2.imwrite( filename, img[, params] )

Вот и всё! Первый маленький шажок к человеку-фотошопу пройден! До встречи в следующих сериях.

Инструменты для работы с изображениями в Python и Pillow

Автор телеграм-канала CODE BLOG Вадим Шванов написал для нас статью о работе с изображениями c использованием языка Python и Pillow. В ней он рассматривает основы работы с изображениями в Python, показывает, как создать фильтры для фотографий в библиотеке Pillow, преобразовать изображение в массив в библиотеке NumPy и использовать matplotlib для настраиваемого вывода результата на экран. Дочитайте до конца: там вы найдете ссылку на .ipynb-документ со всем используемым кодом, который вы сможете загрузить.

Кому это нужно?

• создание своего фоторедактора;
• создание масок для Instagram;
• анализ и распознавание образов в компьютерном зрении.

Освойте профессию
«Fullstack-разработчик на Python»

Fullstack-разработчик на Python

Fullstack-разработчики могут в одиночку сделать IT-проект от архитектуры до интерфейса. Их навыки востребованы у работодателей, особенно в стартапах. Научитесь программировать на Python и JavaScript и создавайте сервисы с нуля.

Профессия / 12 месяцев
Fullstack-разработчик на Python

Создавайте веб-проекты самостоятельно

А я справлюсь?

В инструкции используются простые операции, поэтому она подойдет для новичков — достаточно уметь немного кодить на Python.

Установка пакетов

NumPy и matplotlib можно установить с помощью пакетного менеджера pip, запустив следующие команды в терминале:

pip install numpy
pip install matplotlib

С Pillow сложнее: Python старше версии 3.6 поддерживает установку этого пакета через pip, а с другими версиями может возникнуть ошибка. Совместимость версий можно посмотреть тут.

Для этого примера в качестве среды разработки выбран Jupyter Notebook.

Начало работы

Импортируйте все необходимые модули и загрузите изображение в объект Python:

Как правило, NumPy импортируется с псевдонимом np, а matplotlib.pyplot — plt.

Загрузите изображение с помощью функции open() подмодуля Image:

Jupyter Notebook выводит изображения по их имени. Вот то самое изображение, путь к которому мы передали в функцию:

Далее мы создадим свою функцию, чтобы у нас была возможность добавить надпись над фотографией (заголовок) или изменить ее размер.

Вывод изображений с matplotlib

Это функция, которую мы будем использовать далее:

Она принимает два параметра: img — массив, который вы получили из исходной фотографии, и title — заголовок, который по умолчанию имеет значение None. Измените размеры фигуры на 6×6, чтобы сделать вывод изображения больше, и выведите его на экран. Также проверьте, был ли указан заголовок. Если нет — установите его с помощью функции title(). Выключите пометки на осях, указав ‘off’ в функции axis().

Станьте Fullstack-разработчик на Python и найдите стабильную работу
на удаленке

Как сделать изображение черно-белым

Здесь мы будем использовать метод convert() класса изображения PIL.

Функция выглядит просто:

Мы представили изображение в RGB-формате, то есть каждый пиксель имеет три значения: красный (R), зеленый (G) и синий (B). Оттенки серого получаются, когда все эти три значения равны. Есть известная формула яркости пикселя:

Но Pillow использует свои коэффициенты:

Изображение потеряло в качестве из-за того, что его растянули с помощью matplotlib.

Станьте Fullstack-разработчик на Python и найдите стабильную работу
на удаленке

Как переформатировать изображение в массив

Теперь мы будем использовать инструменты NumPy, поэтому желательно конвертировать изображение в np.array:

Конструктор массива принимает изображение в качестве аргумента и создает такой массив. Форму массива можно узнать с помощью поля shape.

224×225 — размеры нашего изображения. «3» появляется из-за того, что каждый пиксель представлен тремя значениями.

Как добавить фильтр «Негатив»

Значения цветов могут меняться от 0 до 255. Негатив — эффект инвертирования цветов. Достигается он просто: от 255 нужно отнять значение цвета. Так как все операции над массивом NumPy выполняются поэлементно, то мы отнимем от 255 текущий массив:

С помощью функции show() оценим результат:

Как отзеркалить изображение

Следующая задача — отражение изображения слева направо (т. е. правая и левая стороны изображения меняются местами). В NumPy есть функция fliplr. Про ее применение можно найти информацию здесь.

Передайте исходный массив в fliplr:

Этот фрагмент кода не изменяет массив, а возвращает новый, что нам и нужно. Оценим результат работы:

Как добавить эффект

Идея этого эффекта проста — нужно сделать изображение как можно синее. Для этого замените каждое третье «значение пикселя» на максимальное — 255.

Здесь нужно поменять сам массив, и, чтобы не потерять исходное изображение, скопируйте последовательность с помощью np.copy().

Другой вариант конструкции:

Весь код из статьи вы сможете найти в этом документе.

Обработка изображений с использованием OpenCV в Python

Познайте методы предварительного преобразований плоского изображения, такие как перемещение изображения, отражение, поворот, масштабирование, обрезка и нарезка с помощью библиотеки OpenCV в Python.

Введение ↑

По существу, трансформация изображения — это его отображение из одной системы координат в другою, она сопоставляет некоторые координаты точки (x, y) в одной системе с точкой координатами (x’, y’) в другой системе координат.

Например, если у нас есть точка с координатами (2, 3) в системе координате x \times y и мы строим ту же точку в системе координате u \times v , естественно, она будет выглядеть ​​по-разному, как и показано на рисунке ниже:

• Для чего неоходимо преобразовывать изображения?
• Перенос изображений
• Масштабирование изображения
• Сдвиг изображения
  • Сдвиг в направление оси x
  • Сдвиг в направление оси Y

  Для чего неоходимо преобразовывать изображения? ↑

  На изображении ниже геометрическое соотношение между комиксом и изображением справа основано на преобразовании подобия (поворот, перемещение и масштабирование). Если нам нужно обучить модель машинного обучения, которая находит этот комикс, то нам нужно ввести изображение в другой форме и под другим углом.

  

  Методы преобразования изображений очень нам помогут на этапе предварительной обработки изображений в машинном обучении.

  Изображение может быть представлено как матрица. Каждое значение в матрице — это цвет пикселя в определенной координате. Преобразование изображения может быть выполнено с использованием матричного умножения. В математике есть несколько матричных уравнений, которые можно использовать для выполнения определенных операций преобразования.

  Перенос изображений ↑

  Трансляция изображения или перенос — это прямолинейный сдвиг изображения из одного места в другое, поэтому сдвиг объекта называется переносом. Приведенное ниже матричное уравнение используется для переноса изображения:

  \beginx’ \\ y’ \\ 1\end = \begin0 & 0 & b_x \\ 0 & 1 & b_y \\ 0 & 0 & 1 \end \beginx \\ y \\ 1\end

  

  Значение b_x определяет, насколько изображение будет перемещено по оси x , а значение b_y определяет перемещение изображения по оси y :

  Теперь, когда вы поняли перенос изображений, давайте взглянем на код Python. В OpenCV есть две встроенные функции для выполнения такого преобразований:

  • cv2.warpPerspective , которая принимает в качестве входных данных матрицу преобразования (3×3).
  • cv2.warpAffine принимает матрицу преобразования (2×3) в качестве входных данных.

  Обе функции принимают три входных параметра:

  • Входное изображение.
  • Матрица трансформации.
  • Кортеж высоты и ширины изображения.

  В этом уроке будем использовать функцию cv2.warpPerspective() .

  Приведенный ниже код считывает входное изображение (если вам важна точность, получите изображение из этого урока здесь и поместите его в текущий рабочий каталог), переносит и показывает:

  import numpy as np import cv2 import matplotlib.pyplot as plt # читать входное изображение img = cv2.imread("chelyabinsk.jpg") # преобразовать из BGR в RGB, чтобы можно было построить график с помощью matplotlib img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # отключить оси x и y plt.axis('off') # показать изображение plt.imshow(img) plt.show() # получить форму изображения rows, cols, dim = img.shape # матрица преобразования для перевода M = np.float32([ [1, 0, 50], [0, 1, 50], [0, 0, 1] ]) # применяем перспективное преобразование к изображению translated_img = cv2.warpPerspective(img, M, (cols, rows)) # отключить оси x и y plt.axis('off') # показать получившееся изображение plt.imshow(translated_img) plt.show() # сохраняем получившееся изображение на диск plt.imsave("chelyabinsk_translated.jpg", translated_img)

  Обратите внимание, что мы используем plt.axis(‘off’) , поскольку мы не хотим выводить значения оси, и мы показываем изображение с помощью функции imshow() из matplotlib.

  Также использована функцию plt.imsave() для локального сохранения изображения.

  

  Исходное изображение:

  

  Результат переноса:

  Масштабирование изображения ↑

  Масштабирование изображения એ — это процесс изменения размера цифрового изображения с сохранением пропорций. OpenCV имеет встроенную функцию cv2.resize() , но мы будем выполнять преобразование, используя умножение матриц, как и раньше. Матричное уравнение, используемое для масштабирования, показано ниже.

  \beginx’ \\ y’ \\ 1\end = \beginS_x & 0 & 0 \\ 0 & S_y & 0 \\ 0 & 0 & 1 \end \beginx \\ y \\ 1\end

  

  S_x и S_y — коэффициенты масштабирования для оси x и оси y соответственно.

  Приведенный ниже код отвечает за чтение того же изображения, определение матрицы преобразования для масштабирования и показывает получившееся изображение:

  import numpy as np import cv2 import matplotlib.pyplot as plt # читать входное изображение img = cv2.imread("chelyabinsk.jpg") # преобразовать из BGR в RGB, чтобы можно было построить график с помощью matplotlib img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # отключить оси x и y plt.axis('off') # показать изображение plt.imshow(img) plt.show() # получить форму изображения rows, cols, dim = img.shape # матрица преобразования для масштабирования M = np.float32([ [1.5, 0 , 0], [0, 1.8, 0], [0, 0, 1] ]) # применяем перспективное преобразование к изображению scaled_img = cv2.warpPerspective(img,M,(cols*2,rows*2)) # отключить оси x и y plt.axis('off') # показать получившееся изображение plt.imshow(scaled_img) plt.show() # сохраняем получившееся изображение на диск plt.imsave("chelyabinsk_scaled.jpg", scaled_img)

  

  Вот результат:

  Обратите внимание, что вы можете легко удалить эти черные пиксели с помощью обрезки, но об этом в конце урока.

  Скольжение изображения

  Карта сдвига — это линейная карта, которая смещает каждую точку в фиксированном направлении, она заменяет каждую точку по горизонтали или вертикали определенным значением, пропорциональным ее координатам x или y , есть два типа эффектов сдвига.

  Скольжение в направление оси x ↑

  

  Когда сдвиг выполняется в направлении оси x , границы изображения, параллельные оси x , сохраняют свое положение, а края, параллельные оси y , меняют свое положение в зависимости от коэффициента сдвига:

  Скольжение в направление оси Y ↑

  Когда сдвиг выполняется в направлении оси y , границы изображения, параллельные оси y , сохраняют свое положение, а края, параллельные оси x , меняют свое положение в зависимости от коэффициента сдвига.

  Матричное уравнение для скольжения показано ниже:

  \beginx’ \\ y’ \\ 1\end = \beginsh_x & 0 & 0 \\ 0 & sh_y & 0 \\ 0 & 0 & 1 \end \beginx \\ y \\ 1\end

  Ниже приведен код для скольжения:

  import numpy as np import cv2 import matplotlib.pyplot as plt # читать входное изображение img = cv2.imread("chelyabinsk.jpg") # конвертировать из BGR в RGB, чтобы мы могли построить график с помощью matplotlib img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # отключить оси x и y plt.axis('off') # показать изображение plt.imshow(img) plt.show() # получить форму изображения rows, cols, dim = img.shape # матрицы преобразования для сдвига # сдвиг, примененный к оси x M = np.float32([ [1, 0.5, 0], [0, 1 , 0], [0, 0 , 1] ]) # сдвиг, примененный к оси Y # M = np.float32([ [1, 0, 0], # [0.5, 1, 0], # [0, 0, 1] ]) # применяем перспективное преобразование к изображению sheared_img = cv2.warpPerspective(img,M,(int(cols*1.5),int(rows*1.5))) # отключить оси x и y plt.axis('off') # show the resulting image plt.imshow(sheared_img) plt.show() # сохраняем получившееся изображение на диск plt.imsave("chelyabinsk_sheared.jpg", sheared_img)

  Первая матрица — это сдвиг, примененный к оси x , если вы хотите ось y , то закомментируйте первую матрицу и раскомментируйте вторую.

  

  Скольжение изображения по оси x :

  

  Скольжение изображения по оси y :

  Отражение изображения ↑

  Отражение изображения (или зеркальное отображение) переворачивает изображение как по вертикали, так и по горизонтали, это частный случай масштабирования. Для отражения по оси x мы устанавливаем значение S_y равным -1 , а S_x равным 1 и наоборот для отражения по оси y .

  Матричные уравнения преобразования для отражения показаны ниже:

  \beginx’ \\ y’ \\ 1\end = \begin1 & 0 & 0 \\ 0 & -1 & rows \\ 0 & 0 & 1 \end \beginx \\ y \\ 1\end

  \beginx’ \\ y’ \\ 1\end = \begin-1 & 0 & cols \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end \beginx \\ y \\ 1\end

  Вот вам для размышлений код Python:

  import numpy as np import cv2 import matplotlib.pyplot as plt # read the input image img = cv2.imread("chelyabinsk.jpg") # convert from BGR to RGB so we can plot using matplotlib img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # disable x & y axis plt.axis('off') # show the image plt.imshow(img) plt.show() # get the image shape rows, cols, dim = img.shape # transformation matrix for x-axis reflection M = np.float32([ [1, 0, 0 ], [0, -1, rows], [0, 0, 1 ] ]) # transformation matrix for y-axis reflection # M = np.float32([ [-1, 0, cols], # [ 0, 1, 0 ], # [ 0, 0, 1 ] ]) # apply a perspective transformation to the image reflected_img = cv2.warpPerspective(img,M,(int(cols),int(rows))) # disable x & y axis plt.axis('off') # show the resulting image plt.imshow(reflected_img) plt.show() # save the resulting image to disk plt.imsave("chelyabinsk_reflected.jpg", reflected_img)

  Как и раньше, сначала будет переворот относительно ось x (вертикальное отображение). Если хотите, раскомментируйте вторую матрицу и закомментируйте первую, получите переворот относительно оси y (вертикальное отображение).

  

  Переворот изображения относительно оси X :

  

  Переворот изображения относительно оси Y :

  Поворот изображения ↑

  

  Вращение — это понятие в математике, которое представляет собой движение определенного пространства, которое сохраняет хотя бы одну точку. Поворот изображения — это обычная процедура обработки изображений с приложениями для сопоставления, выравнивания и других алгоритмов на основе изображений, а также для увеличения данных, особенно когда речь идет о классификации изображений.

  Матрица преобразования вращения показана на рисунке ниже, где \theta — угол поворота:

  \beginx’ \\ y’ \\ 1\end = \begin\cos\theta & -\sin\theta & 0 \\ \sin\theta & \cos\theta & 0\\ 0 & 0 & 1 \end \beginx \\ y \\ 1\end

  Ниже приведен код Python для поворота изображения:

  import numpy as np import cv2 import matplotlib.pyplot as plt # читать входное изображение img = cv2.imread("chelyabinsk.jpg") # преобразовать из BGR в RGB, чтобы можно было построить график с помощью matplotlib img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # отключить оси x и y plt.axis('off') # показать изображение plt.imshow(img) plt.show() # получить форму изображения rows, cols, dim = img.shape # угол от градуса до радиана angle = np.radians(10) # матрица преобразования для вращения M = np.float32([ [np.cos(angle), -(np.sin(angle)), 0], [np.sin(angle), np.cos(angle), 0], [0, 0, 1] ]) # применяем перспективное преобразование к изображению rotated_img = cv2.warpPerspective(img, M, (int(cols),int(rows))) # отключить оси x и y plt.axis('off') # показать получившееся изображение plt.imshow(rotated_img) plt.show() # сохраняем получившееся изображение на диск plt.imsave("chelyabinsk_rotated.jpg", rotated_img)

  

  Вот и повернули изображение:

  Оно было повернуто на 10° (np.radians(10)) , вы можете редактировать код по своему усмотрению!

  Обрезка изображения ↑

  Обрезка изображения — это удаление нежелательных внешних областей с изображения, многие из приведенных выше примеров включают черные пиксели, вы можете легко удалить их с помощью обрезки. Код ниже делает это:

  import numpy as np import cv2 import matplotlib.pyplot as plt # читать входное изображение img = cv2.imread("chelyabinsk.jpg") # преобразовать из BGR в RGB, чтобы можно было построить график с помощью matplotlib img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # отключить оси x и y plt.axis('off') # показать изображение plt.imshow(img) plt.show() # получаем 200 пикселей от 100 до 300 по оси x и оси y # измените это, если хотите, просто убедитесь, что вы не превышаете столбцы и строки cropped_img = img[100:300, 100:300] # отключить оси x и y plt.axis('off') # показать получившееся изображение plt.imshow(cropped_img) plt.show() # сохраняем получившееся изображение на диск plt.imsave("chelyabinsk_cropped.jpg", cropped_img)

  

  Поскольку OpenCV загружает изображение в виде массива numpy, то можно обрезать изображение, просто указав нужные индексы нарезки, в нашем случае мы решили получить изображение размером 200х200 пикселей, вырезанное из исходного с 100 по 300 пиксели по обеим осям. Вот результат:

  Заключение ↑

  В этом уроке мы рассмотрели основы обработки и преобразования изображений, которые включают перенос изображения, масштабирование, сдвиг, отражение, поворот и обрезку.

  Вы можете получить все коды здесь .

  

  Обработка изображений с использованием OpenCV в Python , опубликовано К ВВ, лицензия — Creative Commons Attribution-NonCommercial 4.0 International.
  Респект и уважуха