Thuộc tính nào được sử dụng để hiển thị kích thước của hình ảnh trong Python?

Mô-đun >>> 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() 5 và Lớp học >>> 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() 5 trong Gối

Lớp chính được định nghĩa trong Gối là lớp

>>> 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()

>>> 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()

Đối với mã trong phần này, bạn sẽ cần tệp hình ảnh có tên

>>> 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()

Nhận hình ảnh. Nhấp vào đây để truy cập vào các hình ảnh mà bạn sẽ thao tác và xử lý với Gối

Bạn có thể đặt tệp hình ảnh này vào thư mục dự án mà bạn đang làm việc

Khi khám phá hình ảnh bằng Gối, tốt nhất nên sử dụng môi trường REPL tương tác. Bạn sẽ bắt đầu bằng cách mở hình ảnh mà bạn vừa tải xuống

>>>

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

Bạn có thể muốn nhập từ Gối thay vì từ PIL. Rốt cuộc, bạn đã cài đặt

>>> low_res_img = cropped_img.reduce(4)

>>> low_res_img = cropped_img.reduce(4)

>>> low_res_img = cropped_img.reduce(4)

Bạn gọi chức năng để đọc hình ảnh từ tệp và đọc hình ảnh vào bộ nhớ để có thể đóng tệp ngay bây giờ. Bạn sử dụng câu lệnh

>>> low_res_img = cropped_img.reduce(4)

Trong ví dụ này, đối tượng là một loại dành riêng cho hình ảnh JPEG, là một lớp con của lớp

>>> 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()

>>> low_res_img = cropped_img.reduce(4)

>>> 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()

>>>

>>> img.show()

Phương pháp

>>> low_res_img = cropped_img.reduce(4)

Trên một số hệ thống, gọi

>>> low_res_img = cropped_img.reduce(4)

Bạn sẽ cần làm quen với ba thuộc tính chính khi xử lý hình ảnh trong thư viện Gối Python. Bạn có thể khám phá những điều này bằng cách sử dụng các thuộc tính lớp

>>> 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()

>>>

>>> img.format
'JPEG'

>>> img.size
(1920, 1273)

>>> img.mode
'RGB'

Định dạng của hình ảnh cho biết bạn đang xử lý loại hình ảnh nào. Trong trường hợp này, định dạng của hình ảnh là

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

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

Thông thường, bạn có thể cần phải cắt và thay đổi kích thước hình ảnh. Lớp

>>> 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()

>>>

>>> 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()

Đối số của

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

Hình ảnh mới mà

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

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

Trong đoạn mã trên, bạn cũng thay đổi độ phân giải của hình ảnh đã cắt bằng cách sử dụng

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

Trong ví dụ trên, bạn đang đặt chiều rộng và chiều cao mới thành một phần tư giá trị ban đầu của chúng bằng cách sử dụng các thuộc tính (

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

>>> 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()

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

Có các tham số tùy chọn bổ sung mà bạn có thể sử dụng để kiểm soát cách hình ảnh được lấy mẫu lại. Ngoài ra, bạn có thể đạt được tỷ lệ tương tự bằng cách sử dụng

>>>

>>> low_res_img = cropped_img.reduce(4)

Đối số xác định yếu tố mà bạn thu nhỏ hình ảnh xuống. Nếu bạn muốn đặt kích thước tối đa thay vì hệ số tỷ lệ, thì bạn có thể sử dụng. Kích thước của hình thu nhỏ sẽ nhỏ hơn hoặc bằng kích thước mà bạn đặt

Ghi chú. Phương thức

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

>>> 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()

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

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

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

>>> 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()

Khi bạn hài lòng với hình ảnh được trả lại của mình, bạn có thể lưu bất kỳ đối tượng nào trong số

>>> 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()

>>>

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

Khi bạn gọi phương thức, nó sẽ tạo các tệp hình ảnh trong thư mục dự án của bạn. Trong ví dụ này, một trong các hình ảnh là hình ảnh JPEG và hình ảnh còn lại là hình ảnh PNG. Phần mở rộng mà bạn sử dụng làm tên tệp sẽ tự động xác định định dạng tệp hoặc bạn có thể chỉ định định dạng dưới dạng đối số tùy chọn bổ sung

Thao tác hình ảnh cơ bản

Bạn có thể thao tác với hình ảnh ngoài việc cắt xén và thay đổi kích thước. Một yêu cầu phổ biến khác là xoay hoặc lật hình ảnh. Bạn có thể sử dụng phương pháp này cho một số biến đổi. Tiếp tục và tiếp tục với cùng một phiên REPL mà bạn đã bắt đầu trong phần trước

>>>

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

Mã này hiển thị hình ảnh sau

Có bảy tùy chọn mà bạn có thể chuyển làm đối số cho

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

1. $ python -m venv venv
   $ source venv/bin/activate
   (venv) $ python -m pip install Pillow
   

   03. Lật hình ảnh từ trái sang phải, dẫn đến hình ảnh phản chiếu

2. $ python -m venv venv
   $ source venv/bin/activate
   (venv) $ python -m pip install Pillow
   

   04. Lật hình ảnh từ trên xuống dưới

3. $ python -m venv venv
   $ source venv/bin/activate
   (venv) $ python -m pip install Pillow
   

   05. Xoay hình ảnh 90 độ ngược chiều kim đồng hồ

4. $ python -m venv venv
   $ source venv/bin/activate
   (venv) $ python -m pip install Pillow
   

   06. Xoay hình ảnh 180 độ

5. $ python -m venv venv
   $ source venv/bin/activate
   (venv) $ python -m pip install Pillow
   

   07. Xoay hình ảnh 270 độ ngược chiều kim đồng hồ, tương đương với 90 độ theo chiều kim đồng hồ

6. $ python -m venv venv
   $ source venv/bin/activate
   (venv) $ python -m pip install Pillow
   

   08. Chuyển vị trí các hàng và cột bằng cách sử dụng pixel trên cùng bên trái làm gốc, với pixel trên cùng bên trái trong hình ảnh được chuyển đổi giống như trong ảnh gốc

7. $ python -m venv venv
   $ source venv/bin/activate
   (venv) $ python -m pip install Pillow
   

   09. Chuyển vị trí các hàng và cột bằng cách sử dụng pixel dưới cùng bên trái làm điểm gốc, với pixel dưới cùng bên trái là điểm ảnh cố định giữa phiên bản gốc và phiên bản đã sửa đổi

Tất cả các tùy chọn xoay ở trên xác định các phép quay theo các bước 90 độ. Nếu bạn cần xoay hình ảnh theo một góc khác, thì bạn có thể sử dụng

>>>

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

Gọi phương thức này xoay hình ảnh 45 độ ngược chiều kim đồng hồ, cho hình ảnh sau

Đối tượng

>>> 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()

>>> 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()

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

>>>

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Phương thức này trả về một hình ảnh lớn hơn chứa đầy đủ hình ảnh đã xoay

Bạn có thể tùy chỉnh xoay hơn nữa với. Bây giờ bạn có thể thay đổi kích thước và hướng của hình ảnh. Trong phần tiếp theo, bạn sẽ tìm hiểu về các loại hình ảnh khác nhau trong thư viện Gối Python

Dải và Chế độ của Hình ảnh trong Thư viện Gối Python

Một hình ảnh là một mảng pixel hai chiều, trong đó mỗi pixel tương ứng với một màu. Mỗi pixel có thể được biểu thị bằng một hoặc nhiều giá trị. Ví dụ: trong một hình ảnh RGB, mỗi pixel được biểu thị bằng ba giá trị tương ứng với các giá trị đỏ, lục và lam cho pixel đó

Do đó, đối tượng

>>> 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()

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Hình ảnh RGBA cũng bao gồm giá trị alpha, chứa thông tin về độ trong suốt của từng pixel. Một hình ảnh RGBA có bốn dải, một dải cho mỗi màu và dải thứ tư chứa các giá trị alpha. Mỗi dải có cùng kích thước với kích thước hình ảnh. Do đó, một hình ảnh RGBA có kích thước

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Chế độ của hình ảnh mô tả loại hình ảnh bạn đang làm việc với. Gối hỗ trợ hầu hết các chế độ tiêu chuẩn, bao gồm đen trắng (nhị phân), thang độ xám, RGB, RGBA và CMYK. Bạn có thể xem danh sách đầy đủ các chế độ được hỗ trợ trong tài liệu Gối trên

Bạn có thể biết có bao nhiêu dải trong một đối tượng

>>> 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()

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Chế độ của hình ảnh này cũng là RGB. Bạn có thể chuyển đổi hình ảnh này sang các chế độ khác. Mã này sử dụng cùng một phiên REPL mà bạn đã bắt đầu trong các phần trước

>>>

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Bạn gọi

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Kết quả đầu ra từ các cuộc gọi đến

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Bạn có thể tách một hình ảnh thành các dải của nó bằng cách sử dụng và kết hợp các dải riêng biệt lại thành một đối tượng

>>> 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()

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

>>> 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()

>>>

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Chế độ của đối tượng mà

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Bây giờ, bạn có thể tạo ba hình ảnh RGB mới hiển thị các kênh màu đỏ, lục và lam riêng biệt bằng cách sử dụng

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

>>> 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()

>>>

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Đối số đầu tiên trong

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Riêng dải màu đỏ, được lưu trữ trong biến

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Phương thức này cần một hàm làm đối số. Hàm mà bạn sử dụng xác định cách mỗi điểm biến đổi. Trong trường hợp này, bạn sử dụng hàm

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Khi bạn hợp nhất dải màu đỏ với dải màu xanh lục và xanh lam chứa các số không, bạn sẽ nhận được hình ảnh RGB có tên là

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Bạn cũng lặp lại quy trình tương tự để có được

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Hình ảnh màu đỏ chứa tín hiệu mạnh trong các pixel đại diện cho quả dâu tây, vì các pixel này chủ yếu là màu đỏ. Các kênh màu lục và lam hiển thị các pixel này tối vì chúng có giá trị nhỏ. Các trường hợp ngoại lệ là những pixel đại diện cho sự phản chiếu ánh sáng trên bề mặt của quả dâu tây vì những pixel này gần như trắng

Tạo các màn hình cạnh nhau được hiển thị trong hướng dẫn nàyHiển thị/Ẩn

Trong hướng dẫn này, khi có một số hình ảnh đầu ra trong mã cần được hiển thị cạnh nhau để so sánh dễ dàng hơn, các hình ảnh được hiển thị cạnh nhau thay vì dưới dạng các hình ảnh riêng biệt

Các màn hình cạnh nhau này được tạo bằng chính Gối. Bạn có thể sử dụng chức năng

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Tham số đầu tiên trong

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Kích thước tổng thể của màn hình được tính từ kích thước của hình ảnh và số lượng hình ảnh được sử dụng. Sau đó, bạn tạo một đối tượng

>>> 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()

Vòng lặp

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

>>> 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()

Hình ảnh trong bài viết chính hiển thị ba kênh màu cho hình ảnh quả dâu tây được lấy bằng cách gọi hàm

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

>>>

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Chức năng này được sử dụng để tạo tất cả các màn hình hiển thị nhiều hơn một hình ảnh trong hướng dẫn này

Bộ lọc hình ảnh sử dụng Convolution Kernels

Một trong những phương pháp được sử dụng trong xử lý ảnh là tích chập ảnh sử dụng hạt nhân. Mục đích của hướng dẫn này không phải là giải thích chi tiết về lý thuyết xử lý ảnh. Nếu bạn quan tâm đến khoa học xử lý hình ảnh, một trong những tài nguyên tốt nhất mà bạn có thể sử dụng là Xử lý hình ảnh kỹ thuật số của Gonzalez và Woods

Trong phần này, bạn sẽ tìm hiểu kiến ​​thức cơ bản về cách bạn có thể sử dụng hạt tích chập để thực hiện xử lý ảnh. Nhưng hạt nhân tích chập là gì?

Bạn có thể xem xét một hình ảnh đơn giản để hiểu quá trình tích chập sử dụng hạt nhân. Hình ảnh có kích thước

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Bạn có thể đặt hạt nhân ở bất cứ đâu trên hình ảnh và sử dụng vị trí của ô trung tâm của hạt nhân làm tham chiếu. Sơ đồ dưới đây là một đại diện của phần trên cùng bên trái của hình ảnh

Các thành phần trong sơ đồ này biểu thị các khía cạnh khác nhau của hình ảnh và nhân

• Các ô vuông màu trắng biểu thị các pixel trong hình ảnh có giá trị là

  $ python -m venv venv
  $ source venv/bin/activate
  (venv) $ python -m pip install Pillow
  

  38
• Các ô vuông màu đỏ biểu thị các pixel trong ảnh có giá trị là

  $ python -m venv venv
  $ source venv/bin/activate
  (venv) $ python -m pip install Pillow
  

  56. Chúng tạo nên dấu chấm trong hình trên
• Mỗi vùng màu tím đại diện cho hạt nhân. Hạt nhân này bao gồm một vùng

  $ python -m venv venv
  $ source venv/bin/activate
  (venv) $ python -m pip install Pillow
  

  57 và mỗi ô trong hạt nhân có giá trị là

  $ python -m venv venv
  $ source venv/bin/activate
  (venv) $ python -m pip install Pillow
  

  58. Sơ đồ cho thấy hạt nhân ở ba vị trí khác nhau được dán nhãn 1, 2 và 3

Một hình ảnh mới có thể được tạo ra do sự tích chập của hình ảnh với nhân. Bạn có thể hiểu quy trình tích chập qua các bước sau

1. xác định vị trí hạt nhân. Hãy xem xét một trong các vị trí của nhân và xem các pixel hình ảnh được bao phủ bởi chín ô của nhân
2. Nhân các giá trị kernel và pixel. Nhân các giá trị trong mỗi ô của hạt nhân với các giá trị pixel tương ứng trong ảnh. Bạn sẽ có chín giá trị từ chín phép nhân
3. Tổng kết quả của phép nhân. Cộng chín giá trị đó lại với nhau. Kết quả sẽ là giá trị của pixel trong ảnh mới có cùng tọa độ với pixel trung tâm của kernel
4. Lặp lại cho tất cả các pixel. Lặp lại quy trình cho mọi pixel trong ảnh, di chuyển hạt nhân mỗi lần để ô trung tâm của hạt nhân tương ứng với một pixel hình ảnh khác nhau mỗi lần

Bạn có thể thấy quá trình này với ba vị trí nhân có nhãn 1, 2 và 3 trong sơ đồ trên. Xem xét vị trí hạt nhân có nhãn 1. Vị trí của hạt nhân này là

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Do đó, tất cả các phép nhân từ bước 2 sẽ bằng 0 và phép cộng của chúng cũng sẽ bằng 0. Hình ảnh mới sẽ có giá trị bằng 0 tại pixel

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Kịch bản khác đối với các vị trí hạt nhân khác được hiển thị. Tiếp theo, xem xét hạt nhân có nhãn 2, nằm ở

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Vị trí nhân thứ ba được minh họa ở trên là tại

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Sơ đồ và cuộc thảo luận ở trên chỉ xem xét ba vị trí hạt nhân. Quá trình tích chập lặp lại quá trình này cho mọi vị trí hạt nhân có thể có trong ảnh. Điều này mang lại một giá trị cho từng vị trí pixel trong hình ảnh mới

Kết quả của tích chập được hiển thị ở bên phải trong hình ảnh sau, với hình ảnh gốc ở bên trái

Hạt nhân mà bạn đã sử dụng là hạt nhân làm mờ hộp. Thừa số của

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Thư viện Gối Python có một số hàm và hạt nhân tích hợp sẽ thực hiện phép tích chập được mô tả ở trên. Bạn không cần phải hiểu toán học lọc thông qua tích chập để sử dụng các bộ lọc này, nhưng sẽ luôn hữu ích khi biết điều gì đang xảy ra đằng sau hậu trường khi sử dụng các công cụ này

Các phần tiếp theo sẽ xem xét các hạt nhân và khả năng lọc hình ảnh có sẵn trong mô-đun

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Làm mờ, làm sắc nét và làm mịn hình ảnh

Bạn sẽ quay lại sử dụng hình ảnh của các tòa nhà mà bạn đã sử dụng ở phần đầu của hướng dẫn này. Bạn có thể bắt đầu một phiên REPL mới cho phần này

>>>

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Ngoài

>>> 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()

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Bạn có thể làm mờ hình ảnh bằng cách sử dụng bộ lọc

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

>>>

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Hình ảnh hiển thị là phiên bản mờ của hình ảnh gốc. Bạn có thể phóng to để quan sát sự khác biệt chi tiết hơn bằng cách sử dụng

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

>>> low_res_img = cropped_img.reduce(4)

>>>

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Hai hình ảnh được crop cho thấy sự khác biệt giữa hai phiên bản

Bạn có thể tùy chỉnh loại và mức độ làm mờ mà bạn cần bằng cách sử dụng hoặc

>>>

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Bạn có thể thấy ba hình ảnh mờ bên dưới, được hiển thị theo thứ tự như trong đoạn mã trên

Bộ lọc

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Hình ảnh bị mờ cho thấy bộ lọc làm mờ hộp có bán kính

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Bạn cũng có thể sử dụng bộ lọc

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Nếu bạn muốn làm sắc nét một hình ảnh thì sao?

>>>

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

Bạn đang so sánh phiên bản đã cắt của cả hai hình ảnh hiển thị một phần nhỏ của tòa nhà. Hình ảnh được làm sắc nét ở bên phải

Có lẽ thay vì làm sắc nét một hình ảnh, bạn cần làm mịn nó. Bạn có thể đạt được điều này bằng cách chuyển

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

>>>

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

Dưới đây, bạn có thể thấy hình ảnh gốc ở bên trái và hình ảnh được làm mịn ở bên phải

Bạn sẽ thấy ứng dụng của bộ lọc mịn trong phần tiếp theo, trong đó bạn sẽ tìm hiểu về nhiều bộ lọc hơn trong mô-đun

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Phát hiện cạnh, Tăng cường cạnh và Dập nổi

Khi bạn nhìn vào một hình ảnh, việc xác định các cạnh của các đối tượng trong hình ảnh đó tương đối dễ dàng. Thuật toán cũng có thể tự động phát hiện các cạnh bằng cách sử dụng các nhân phát hiện cạnh

Mô-đun

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

>>>

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

Kết quả là một hình ảnh hiển thị các cạnh từ hình ảnh gốc

Bộ lọc này xác định các cạnh trong ảnh. Bạn có thể đạt được kết quả tốt hơn bằng cách áp dụng bộ lọc

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

>>>

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

Bạn có thể xem so sánh hình ảnh thang độ xám ban đầu và kết quả phát hiện hai cạnh bên dưới. Phiên bản làm mịn trước khi phát hiện cạnh được hiển thị ở dưới cùng

Bạn cũng có thể cải thiện các cạnh của ảnh gốc bằng bộ lọc

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

>>>

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

Bạn đã sử dụng phiên bản được làm mịn của hình ảnh thang độ xám để tăng cường các cạnh. Một phần của hình ảnh thang độ xám ban đầu và hình ảnh với các cạnh được tăng cường được hiển thị cạnh nhau bên dưới. Hình ảnh với tăng cường cạnh ở bên phải

Một bộ lọc được xác định trước khác trong

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

>>>

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

Bạn đang sử dụng phiên bản thang độ xám, được làm mịn làm điểm bắt đầu cho bộ lọc này. Bạn có thể xem hình ảnh nổi bên dưới, cho thấy hiệu ứng khác khi sử dụng các cạnh trong hình ảnh

Trong phần này, bạn đã tìm hiểu về một số bộ lọc có sẵn trong mô-đun

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Ngưỡng hình ảnh

Bạn sẽ bắt đầu bằng cách làm việc trên

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

Trước tiên, bạn có thể cắt ảnh thành ảnh nhỏ hơn để loại bỏ một số nền. Bạn có thể bắt đầu phiên REPL mới cho dự án này

>>>

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

Hình ảnh đã cắt có con mèo và một số nền quá gần con mèo để bạn có thể cắt nó

Mỗi pixel trong một hình ảnh màu được biểu thị bằng kỹ thuật số bằng ba số tương ứng với các giá trị màu đỏ, lục và lam của pixel đó. Ngưỡng là quá trình chuyển đổi tất cả các pixel thành giá trị tối đa hoặc tối thiểu tùy thuộc vào việc chúng cao hơn hay thấp hơn một số nhất định. Nó dễ dàng hơn để làm điều này trên một hình ảnh thang độ xám

>>>

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

Bạn đạt được ngưỡng bằng cách gọi

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

Hình bên dưới hiển thị ảnh thang độ xám và kết quả từ quá trình tạo ngưỡng

Trong ví dụ này, tất cả các điểm trong ảnh thang độ xám có giá trị pixel lớn hơn

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

Ngưỡng có thể được sử dụng để phân đoạn hình ảnh khi đối tượng để phân đoạn khác biệt với nền. Bạn có thể đạt được kết quả tốt hơn với các phiên bản của ảnh gốc có độ tương phản cao hơn. Trong ví dụ này, bạn có thể đạt được độ tương phản cao hơn bằng cách ngưỡng kênh màu lam của ảnh gốc thay vì ảnh thang độ xám, vì màu chủ đạo trong nền là màu nâu và xanh lá cây, có thành phần xanh lam yếu

Bạn có thể trích xuất các kênh màu đỏ, lục và lam từ ảnh màu như bạn đã làm trước đó

>>>

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

Các kênh màu đỏ, lục và lam được hiển thị bên dưới, từ trái sang phải. Cả ba được hiển thị dưới dạng hình ảnh thang độ xám

Kênh màu xanh lam có độ tương phản cao hơn giữa các pixel đại diện cho con mèo và các pixel đại diện cho nền. Bạn có thể sử dụng hình ảnh kênh màu xanh lam để ngưỡng

>>>

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

Bạn sử dụng giá trị ngưỡng là

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Ghi chú. Khi xử lý một số định dạng hình ảnh nhất định, chẳng hạn như JPEG, dựa trên cơ chế nén giảm dữ liệu, hình ảnh có thể thay đổi đôi chút tùy thuộc vào bộ giải mã JPEG mà bạn đang sử dụng. Các hệ điều hành khác nhau thường đi kèm với các bộ giải mã JPEG mặc định khác nhau. Do đó, kết quả mà bạn nhận được khi xử lý hình ảnh có thể khác nhau tùy thuộc vào hệ điều hành và bộ giải mã JPEG mà bạn đang sử dụng

Bạn có thể cần điều chỉnh một chút giá trị ngưỡng nếu kết quả của bạn không khớp với kết quả được hiển thị trong hướng dẫn này

Kết quả của ngưỡng như sau

Bạn có thể xác định con mèo trong hình ảnh đen trắng này. Tuy nhiên, bạn muốn có một hình ảnh trong đó tất cả các pixel tương ứng với con mèo đều có màu trắng và tất cả các pixel khác có màu đen. Trong hình ảnh này, bạn vẫn có các vùng màu đen trong khu vực tương ứng với con mèo, chẳng hạn như vị trí của mắt, mũi và miệng, đồng thời bạn vẫn có các điểm ảnh màu trắng ở những nơi khác trong hình ảnh

Bạn có thể sử dụng các kỹ thuật xử lý hình ảnh được gọi là xói mòn và giãn nở để tạo mặt nạ tốt hơn đại diện cho con mèo. Bạn sẽ tìm hiểu về hai kỹ thuật này trong phần tiếp theo

Xói mòn và giãn nở

Bạn có thể xem tệp hình ảnh có tên là

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

Phía bên trái của hình ảnh nhị phân này hiển thị một chấm trắng trên nền đen, trong khi phía bên phải hiển thị một lỗ đen trong một phần màu trắng

Xói mòn là quá trình loại bỏ các pixel trắng khỏi ranh giới trong ảnh. Bạn có thể đạt được điều này trong một hình ảnh nhị phân bằng cách sử dụng

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Bạn có thể thấy hiệu ứng xói mòn bằng cách áp dụng

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

>>>

>>> img.show()

Bạn đã áp dụng bộ lọc ba lần bằng cách sử dụng vòng lặp

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Dấu chấm đã thu nhỏ lại nhưng cái lỗ đã lớn lên do xói mòn

Giãn nở là quá trình ngược lại với xói mòn. Các pixel trắng được thêm vào các ranh giới trong ảnh nhị phân. Bạn có thể đạt được sự giãn nở bằng cách sử dụng

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

Bạn có thể áp dụng phép giãn cho cùng một hình ảnh chứa dấu chấm và lỗ, bạn có thể mở và tải lại các ảnh này

>>>

>>> img.show()

Dấu chấm bây giờ đã lớn hơn và lỗ đã thu hẹp lại

Bạn có thể sử dụng sự xói mòn và sự giãn nở cùng nhau để lấp đầy các lỗ hổng và loại bỏ các đối tượng nhỏ khỏi hình ảnh nhị phân. Sử dụng hình ảnh có chấm và lỗ, bạn có thể thực hiện mười chu kỳ xói mòn để loại bỏ chấm, tiếp theo là mười chu kỳ giãn nở để khôi phục lỗ về kích thước ban đầu

>>>

>>> img.show()

Bạn thực hiện mười chu kỳ xói mòn với vòng lặp

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Dấu chấm đã biến mất và lỗ hổng lớn hơn so với trong ảnh gốc. Vòng lặp

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Tuy nhiên, dấu chấm không còn xuất hiện trong hình ảnh. Sự xói mòn và giãn nở đã sửa đổi hình ảnh để giữ lại cái lỗ nhưng loại bỏ dấu chấm. Số lượng xói mòn và giãn nở cần thiết tùy thuộc vào hình ảnh và những gì bạn muốn đạt được. Thông thường, bạn sẽ cần tìm sự kết hợp phù hợp thông qua thử và sai

Bạn có thể xác định các chức năng để thực hiện một số chu kỳ xói mòn và giãn nở

>>>

>>> img.show()

Các chức năng này giúp thử nghiệm xói mòn và giãn nở cho hình ảnh dễ dàng hơn. Bạn sẽ sử dụng các chức năng này trong phần tiếp theo khi tiếp tục đặt con mèo vào tu viện

Phân đoạn hình ảnh bằng cách sử dụng ngưỡng

Bạn có thể sử dụng một chuỗi các phép xóa và giãn trên hình ảnh ngưỡng mà bạn đã thu được trước đó để loại bỏ các phần của mặt nạ không đại diện cho con mèo và để lấp đầy bất kỳ khoảng trống nào trong vùng chứa con mèo. Khi bạn đã thử nghiệm với sự xói mòn và giãn nở, bạn sẽ có thể sử dụng các phỏng đoán đã học trong quy trình thử và sai để tìm ra sự kết hợp tốt nhất giữa xói mòn và giãn nở để đạt được mặt nạ lý tưởng

Bắt đầu với hình ảnh

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

>>>

>>> img.show()

Hình ảnh ngưỡng bị xói mòn không còn chứa các pixel trắng đại diện cho nền của hình ảnh

Tuy nhiên, chiếc mặt nạ còn lại nhỏ hơn so với đường viền tổng thể của con mèo và có các lỗ hổng bên trong. Bạn có thể thực hiện giãn nở để lấp đầy khoảng trống

>>>

>>> img.show()

Năm mươi tám chu kỳ giãn nở lấp đầy tất cả các lỗ trên mặt nạ để cho hình ảnh sau

Tuy nhiên, mặt nạ này là quá lớn. Do đó, bạn có thể kết thúc quá trình với một loạt các xói mòn

>>>

>>> img.show()

Kết quả là một mặt nạ mà bạn có thể sử dụng để phân đoạn hình ảnh của con mèo

Bạn có thể tránh các cạnh sắc nét của mặt nạ nhị phân bằng cách làm mờ mặt nạ này. Trước tiên, bạn sẽ phải chuyển đổi nó từ hình ảnh nhị phân thành hình ảnh thang độ xám

>>>

>>> img.show()

Bộ lọc

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

Mặt nạ bây giờ trông giống như một con mèo. Bây giờ bạn đã sẵn sàng để trích xuất hình ảnh con mèo từ nền của nó

>>>

>>> img.show()

Đầu tiên, bạn tạo một hình trống có cùng kích thước như

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

>>> 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()

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

Bạn đã phân đoạn hình ảnh con mèo và trích xuất con mèo từ nền của nó

Xếp chồng hình ảnh bằng cách sử dụng >>> from PIL import Image >>> filename = "buildings.jpg" >>> with Image.open(filename) as img: .. img.load() ... >>> type(img) >>> isinstance(img, Image.Image) True 36

Bạn có thể tiến thêm một bước và dán hình ảnh con mèo đã được phân đoạn vào hình ảnh sân trong tu viện từ kho hình ảnh cho hướng dẫn này

>>>

>>> img.show()

Bạn đã từng dán một hình ảnh lên một hình ảnh khác. Phương pháp này có thể được sử dụng với ba đối số

• Đối số đầu tiên là hình ảnh mà bạn muốn dán vào. Bạn đang thay đổi kích thước hình ảnh thành một phần năm kích thước của nó bằng cách sử dụng toán tử chia số nguyên (

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

  5)
• Đối số thứ hai là vị trí trong hình ảnh chính mà bạn muốn dán hình ảnh thứ hai. Bộ dữ liệu bao gồm các tọa độ trong hình ảnh chính nơi bạn muốn đặt góc trên cùng bên trái của hình ảnh mà bạn đang dán vào
• Đối số thứ ba cung cấp mặt nạ mà bạn muốn sử dụng nếu bạn không muốn dán toàn bộ hình ảnh

Bạn đã sử dụng mặt nạ mà bạn thu được từ quá trình tạo ngưỡng, xói mòn và giãn nở để dán con mèo mà không có nền của nó. Đầu ra là hình ảnh sau đây

Bạn đã phân đoạn con mèo từ một hình ảnh và đặt nó vào một hình ảnh khác để thể hiện con mèo đang ngồi lặng lẽ trong sân của tu viện thay vì trên cánh đồng nơi nó đang ngồi trong hình ảnh ban đầu

Tạo hình mờ

Nhiệm vụ cuối cùng của bạn trong ví dụ này là thêm logo Real Python làm hình mờ vào hình ảnh. Bạn có thể lấy tệp hình ảnh có logo Real Python từ kho lưu trữ kèm theo hướng dẫn này

Nhận hình ảnh. Nhấp vào đây để truy cập vào các hình ảnh mà bạn sẽ thao tác và xử lý với Gối

Bạn nên tiếp tục làm việc trong cùng một phiên REPL

>>>

>>> img.format
'JPEG'

>>> img.size
(1920, 1273)

>>> img.mode
'RGB'

Đây là logo kích thước đầy đủ có màu

Bạn có thể thay đổi hình ảnh thành thang độ xám và ngưỡng nó bằng cách sử dụng

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

>>>

>>> img.format
'JPEG'

>>> img.size
(1920, 1273)

>>> img.mode
'RGB'

Đầu ra hiển thị đường viền từ logo Real Python. Đường viền lý tưởng để sử dụng làm hình mờ trên hình ảnh của bạn

Để sử dụng hình mờ này làm hình chìm mờ, bạn cần đảo ngược màu sao cho nền có màu đen và chỉ đường viền bạn muốn giữ lại có màu trắng. Bạn có thể đạt được điều này bằng cách sử dụng lại

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

>>>

>>> img.format
'JPEG'

>>> img.size
(1920, 1273)

>>> img.mode
'RGB'

Bạn đã chuyển đổi các pixel có giá trị

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Bước cuối cùng của bạn là dán đường viền này lên hình ảnh con mèo ngồi trong sân tu viện. Bạn có thể sử dụng lại

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

>>>

>>> img.format
'JPEG'

>>> img.size
(1920, 1273)

>>> img.mode
'RGB'

Đối số đầu tiên trong

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

Hình ảnh hiện bao gồm hình mờ Real Python

Hình mờ có đường viền hình chữ nhật, là kết quả của bộ lọc đường viền mà bạn đã sử dụng trước đó. Nếu bạn muốn xóa đường viền này, bạn có thể cắt ảnh bằng cách sử dụng

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

Sử dụng NumPy để trừ các hình ảnh với nhau

Xem bạn có thể phát hiện ra sự khác biệt giữa hai hình ảnh sau không

Đây không phải là một khó. Tuy nhiên, bạn quyết định gian lận và viết một chương trình Python để giải câu đố cho bạn. Bạn có thể tải xuống các tệp hình ảnh

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

Nhận hình ảnh. Nhấp vào đây để truy cập vào các hình ảnh mà bạn sẽ thao tác và xử lý với Gối

Bước đầu tiên của bạn là đọc hình ảnh bằng Gối và chuyển đổi chúng thành mảng NumPy

>>>

>>> img.format
'JPEG'

>>> img.size
(1920, 1273)

>>> img.mode
'RGB'

Vì

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

>>>

>>> img.format
'JPEG'

>>> img.size
(1920, 1273)

>>> img.mode
'RGB'

Khi bạn trừ một mảng khỏi một mảng khác có cùng kích thước, kết quả là một mảng khác có cùng hình dạng với các mảng ban đầu. Bạn có thể chuyển đổi mảng này thành hình ảnh bằng cách sử dụng

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

>>>

>>> img.format
'JPEG'

>>> img.size
(1920, 1273)

>>> img.mode
'RGB'

Kết quả của việc trừ một mảng NumPy khỏi một mảng khác và chuyển đổi thành Gối

>>> 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()

Hình ảnh khác biệt chỉ hiển thị ba vùng từ hình ảnh gốc. Các vùng này làm nổi bật sự khác biệt giữa hai hình ảnh. Bạn cũng có thể thấy một số nhiễu xung quanh đám mây và hàng rào, đó là do những thay đổi nhỏ trong quá trình nén JPEG ban đầu ở khu vực xung quanh các mục này

Sử dụng NumPy để tạo hình ảnh

Bạn có thể đi xa hơn và tạo hình ảnh từ đầu bằng NumPy và Gối. Bạn có thể bắt đầu bằng cách tạo một hình ảnh thang độ xám. Trong ví dụ này, bạn sẽ tạo một hình ảnh đơn giản chứa hình vuông, nhưng bạn có thể tạo các hình ảnh phức tạp hơn theo cách tương tự

>>>

>>> img.format
'JPEG'

>>> img.size
(1920, 1273)

>>> img.mode
'RGB'

Bạn tạo một mảng có kích thước

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Bạn có thể sử dụng mảng NumPy bằng cả hàng và cột. Trong ví dụ này, lát đầu tiên,

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

Bạn có thể sử dụng

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

>>> 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()

Bạn đã tạo một hình ảnh thang độ xám chứa một hình vuông. Chế độ của hình ảnh được suy ra tự động khi bạn sử dụng

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

>>>

>>> img.format
'JPEG'

>>> img.size
(1920, 1273)

>>> img.mode
'RGB'

Bạn cũng có thể đi xa hơn và tạo một hình ảnh màu. Bạn có thể lặp lại quy trình trên để tạo ba hình ảnh, một hình ảnh tương ứng với kênh màu đỏ, hình ảnh khác tương ứng với kênh màu xanh lục và hình ảnh cuối cùng tương ứng với kênh màu xanh dương

>>>

>>> 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()

Bạn tạo một đối tượng

>>> 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()

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

>>>

>>> 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()

Đối số đầu tiên trong

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

Bạn đã kết hợp các dải riêng biệt thành một hình ảnh màu RGB. Trong phần tiếp theo, bạn sẽ tiến thêm một bước và tạo hoạt ảnh GIF bằng NumPy và Gối

Tạo hoạt ảnh

Trong phần trước, bạn đã tạo một hình màu chứa ba hình vuông chồng lên nhau có màu khác nhau. Trong phần này, bạn sẽ tạo hoạt ảnh hiển thị ba hình vuông đó hợp nhất thành một hình vuông màu trắng duy nhất. Bạn sẽ tạo một số phiên bản của hình ảnh chứa ba ô vuông và vị trí của các ô vuông sẽ thay đổi đôi chút giữa các hình ảnh liên tiếp

>>>

>>> 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()

Bạn tạo một danh sách trống có tên là

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Hình vuông màu đỏ bắt đầu ở vị trí dịch chuyển về phía trên bên trái của trung tâm. Trong mỗi khung liên tiếp, hình vuông màu đỏ di chuyển gần tâm hơn cho đến khi nó chạm tới tâm trong lần lặp cuối cùng của vòng lặp. Hình vuông màu xanh ban đầu được dịch chuyển về phía dưới bên phải, sau đó di chuyển về phía trung tâm với mỗi lần lặp lại

Lưu ý rằng trong ví dụ này, bạn đang lặp lại trên

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

Trước đó, bạn đã biết rằng bạn có thể lưu một đối tượng

>>> 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()

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

>>>

>>> 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()

Đối số đầu tiên trong

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

• >>> from PIL import Image
  >>> filename = "buildings.jpg"
  >>> with Image.open(filename) as img:
  ..     img.load()
  ...
  
  >>> type(img)
  
  
  >>> isinstance(img, Image.Image)
  True
  

  81 đảm bảo rằng tất cả các hình ảnh trong chuỗi được lưu chứ không chỉ hình ảnh đầu tiên

• >>> from PIL import Image
  >>> filename = "buildings.jpg"
  >>> with Image.open(filename) as img:
  ..     img.load()
  ...
  
  >>> type(img)
  
  
  >>> isinstance(img, Image.Image)
  True
  

  82 cho phép bạn nối các hình ảnh còn lại trong chuỗi vào tệp GIF

Mã này lưu

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

>>> from PIL import Image
>>> filename = "buildings.jpg"
>>> with Image.open(filename) as img:
..     img.load()
...

>>> type(img)


>>> isinstance(img, Image.Image)
True

$ python -m venv venv
$ source venv/bin/activate
(venv) $ python -m pip install Pillow

Ba hình vuông có màu khác nhau hợp nhất thành một hình vuông màu trắng duy nhất. Bạn có thể tạo hoạt hình của riêng mình bằng các hình dạng khác nhau và màu sắc khác nhau không?