在python3下用PIL作图像处理

目前PIL的官方最新版本为1.1.7，支持的版本为python 2.5, 2.6, 2.7，并不支持python3，但有高手把它从新编译生成python3下可安装的exe了。这一非官方下载地址 http://www.lfd.uci.edu/~gohlke/pythonlibs/#pil

或者直接点下面：

• PIL-1.1.7.win32-py3.2.‌exe  [994 KB]  [Python 3.2]  [32 bit]  [Jul 03, 2012]

• PIL-1.1.7.win32-py3.3.‌exe  [988 KB]  [Python 3.3b1]  [32 bit]  [Jul 03, 2012]

      最近在作一件比较 evil 的事情——验证码识别，以此来学习一些新的技能。由于我是初学，对图像处理方面就不太了解了，欲要利吾事，必先利吾器，既然只是作一下实验，那用 Python 来做原型开发再好不过了。在 Python 中，比较经常使用的图像处理库是 PIL(Python Image Library)，当前版本是 1.1.7 ，用起来很是方便。你们能够在 http://www.pythonware.com/products/pil/index.htm 下载和学习。

      在这里，我主要是介绍一下作图像识别时可能会用到的一些 PIL 提供的功能，好比图像加强、还有滤波之类的。最后给出使用 Python 作图像处理与识别的优点与劣势。

基本图像处理

      使用 PIL 以前须要 import Image 模块

      注意：在python3中，请使用from PIL import Image，不要使用import Image

import Image  #python2

from PIL import Image #python3

      而后你就可使用Image.open(‘xx.bmp’) 来打开一个位图文件进行处理了。打开文件你不用担忧格式，也不用了解格式，不管什么格式，都只要把文件名丢给 Image.open 就能够了。真所谓 bmp、jpg、png、gif……，一个都不能少。

img = Image.open(‘origin.png’)    # 获得一个图像的实例对象 img

图 1原图

      图像处理中，最基本的就是色彩空间的转换。通常而言，咱们的图像都是 RGB 色彩空间的，但在图像识别当中，咱们可能须要转换图像到灰度图、二值图等不一样的色彩空间。　PIL 在这方面也提供了极完备的支持，咱们能够：

new_img = img.convert(‘L’)

把 img 转换为 256 级灰度图像， convert() 是图像实例对象的一个方法，接受一个 mode 参数，用以指定一种色彩模式，mode 的取值能够是以下几种：

· 1 (1-bit pixels, black and white, stored with one pixel per byte)

· L (8-bit pixels, black and white)

· P (8-bit pixels, mapped to any other mode using a colour palette)

· RGB (3x8-bit pixels, true colour)

· RGBA (4x8-bit pixels, true colour with transparency mask)

· CMYK (4x8-bit pixels, colour separation)

· YCbCr (3x8-bit pixels, colour video format)

· I (32-bit signed integer pixels)

· F (32-bit floating point pixels)

怎么样，够丰富吧？其实如此之处，PIL 还有限制地支持如下几种比较少见的色彩模式：LA (L with alpha), RGBX (true colour with padding) and RGBa (true colour with premultiplied alpha)。

下面看一下 mode 为 ‘1’、’L’、’P’时转换出来的图像：

图 2 mode = '1'

图 3 mode = 'L'

图 4 mode = 'P'

convert() 函数也接受另外一个隐含参数 matrix，转换矩阵 matrix 是一个长度为4 或者16 tuple。下例是一个转换 RGB 空间到 CIE XYZ 空间的例子：

   rgb2xyz = (

       0.412453, 0.357580, 0.180423, 0,

       0.212671, 0.715160, 0.072169, 0,

       0.019334, 0.119193, 0.950227, 0 )

   out = im.convert("RGB", rgb2xyz)

      除了完备的色彩空间转换能力外， PIL 还提供了resize()、rotate()等函数以得到改变大小，旋转图片等几何变换能力，在图像识别方面，图像实例提供了一个 histogram() 方法来计算直方图，很是方便实用。

图像加强

      图像加强一般用以图像识别以前的预处理，适当的图像加强可以使得识别过程达到事半功倍的效果。 PIL 在这方面提供了一个名为 ImageEnhance 的模块，提供了几种常见的图像加强方案：

import ImageEnhance

enhancer = ImageEnhance.Sharpness(image)

for i in range(8):

   factor = i / 4.0

   enhancer.enhance(factor).show("Sharpness %f" % factor)

上面的代码便是一个典型的使用 ImageEnhance 模块的例子。 Sharpness 是 ImageEnhance 模块的一个类，用以锐化图片。这一模块主要包含以下几个类：Color、Brightness、Contrast和Sharpness。它们都有一个共同的接口 .enhance(factor) ，接受一个浮点参数 factor，标示加强的比例。下面看看这四个类在不一样的 factor 下的效果

图 5 使用Color 进行色彩加强，factor 取值 [0, 4]，步进 0.5

图 6 用 Birghtness 加强亮度，factor取值[0,4]，步进0.5

图 7用 Contrast 加强对比度， factor 取值 [0,4]，步进0.5

图 8用 Sharpness 锐化图像，factor取值 [0,4]，步进0.5

图像 Filter

      PIL 在 Filter 方面的支持是很是完备的，除常见的模糊、浮雕、轮廓、边缘加强和平滑，还有中值滤波、ModeFilter等，简直方便到能够作本身作一个Photoshop。这些 Filter 都放置在 ImageFilter 模块中，ImageFilter主要包括两部份内容，一是内置的 Filter，如 BLUR、DETAIL等，另外一部分是 Filter 函数，能够指定不一样的参数得到不一样的效果。示例以下：

import ImageFilter

im1 = im.filter(ImageFilter.BLUR)

im2 = im.filter(ImageFilter.MinFilter(3))

im3 = im.filter(ImageFilter.MinFilter()) # same as MinFilter(3)

能够看到 ImageFilter 模块的使用很是简单，每个 Filter 都只须要一行代码就可调用，开发效率很是高。

图 9使用 BLUR

图 10使用 CONTOUR

图 11使用 DETAIL

图 12使用 EMBOSS

图 13使用 EDGE_ENHANCE

图 14使用 EDGE_ENHANCE_MORE

图 15使用 FIND_EDGES

图 16使用 SHARPEN

图 17使用 SMOOTH

图 18使用 SMOOTH_MORE

      以上是几种内置的 Filter 的效果图，除此以外， ImageFilter 还提供了一些 Filter 函数，下面咱们来看看这些能够经过参数改变行为的 Filter 的效果：

图 19使用 Kernel()，参数：size = (3, 3), kernel = (0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5)

图 20使用 MaxFilter，默认参数

图 21使用 MinFilter，默认参数

图 22使用 MedianFilter，默认参数

图 23使用 ModeFilter，参数 size = 3

图 24使用 RankFilter，参数 size = 3, rank = 3

小结

      到此，对 PIL 的介绍就告一段落了。总的来讲，对于图像处理和识别，PIL 内建了强大的支持，从各类加强算法到 Filter ，都让人没法怀疑使用 Python 的可行性。 Python惟一的劣势在于执行时间过慢，特别是当实现一些计算量大的算法时候，须要极强的耐心。我曾用 Hough Transform（霍夫变换）来查找图像中的直线，纯 Python 的实现处理一个 340 * 100 的图片也要花去数秒时间（P4 3.0G + 1G memory）。但使用 PIL 无需关注图像格式、内建的图像加强算法和 Filter 算法，这些优势使 Python 适合用于构造原型和进行实验，在这两方面Python 比 matlab 更加方便。商业的图像识别产品开发，能够考虑已经被 boost accepted的来自 adobe 的开源 C++ 库 gil，能够兼顾执行性能和开发效率。

原文：http://blog.csdn.net/lanphaday/article/details/1852726