参考链接：http://www.cnblogs.com/denny402
文章目录：
一、图片的打开与显示
二、图片通道/几何变换/裁剪
1.彩色图像转灰度通道
2.通道合并与分离
3.裁剪图片
4.几何变换
三、图像中的像素访问
四、图像直方图
一、图片的打开与显示
要使用python，必须先安装python，一般是2.7版本以上
使用python进行数字图片处理，得安装Pillow包。虽然python里面自带一个PIL（python images library), 但这个库现在已经停止更新了，所以使用Pillow, 它是由PIL发展而来的。
pip install Pillow
from PIL import Image
img=Image.open('d:/dog.png')
img.show()这种图片显示方式是调用操作系统自带的图片浏览器来打开图片
from PIL import Image
import matplotlib.pyplot as plt
img = Image.open('/home/mwp/1.png')
plt.figure('cancer')
plt.imshow(img)
plt.show()
print(img.size) #图片尺寸
print(img.mode) #图片模式
print(img.format) #图片格式
plt.axis('off') #默认是on
img.save('/home/mwp/1.jpg') #不仅能保存图片，还能转换格式二、图像通道/几何变换/裁剪
1.彩色图像转灰度图
from PIL import Image
import matplotlib.pyplot as plt
img = Image.open('/home/mwp/1.jpeg')
gray = img.convert('L') #转换成灰度
plt.figure('food')
plt.imshow(gray,cmap='gray')
plt.axis('off')
plt.show()
使用函数convert()来进行转换，它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 的取值可以是如下几种：
· 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)
2、通道分离与合并
from PIL import Image
import matplotlib.pyplot as plt
img = Image.open('/home/mwp/1.jpeg')
gray = img.convert('L')
r,g,b = img.split() #分离三通道
pic = Image.merge('RGB', (r,g,b)) #合并三通道
plt.figure('food')
plt.subplot(2,3,1)
plt.title('origin')
plt.imshow(img)
plt.axis('off')
plt.subplot(2,3,2)
plt.title('gray')
plt.imshow(gray,cmap='gray')
plt.axis('off')
plt.subplot(2,3,3)
plt.title('merge')
plt.imshow(pic)
plt.axis('off')
plt.subplot(2,3,4)
plt.title('r')
plt.imshow(r,cmap='gray')
plt.axis('off')
plt.subplot(2,3,5)
plt.title('g')
plt.imshow(g,cmap='gray')
plt.axis('off')
plt.subplot(2,3,6)
plt.title('b')
plt.imshow(b,cmap='gray')
plt.axis('off')
plt.show()
3.裁剪图片
from PIL import Image
import matplotlib.pyplot as plt
img = Image.open('/home/mwp/1.jpeg')
plt.figure('cancer')
plt.subplot(1,2,1)
plt.title('origin')
plt.imshow(img)
#plt.axis('off')
box=(80,100,260,300)
roi = img.crop(box)
plt.subplot(1,2,2)
plt.title('roi')
plt.imshow(roi)
#plt.axis('off')
plt.show()
用plot绘制显示出图片后，将鼠标移动到图片上，会在右下角出现当前点的坐标，以及像素值。
4.几何变换
Image类有resize()、rotate()和transpose()方法进行几何变换。
（1）图像的缩放和旋转
dst = img.resize((128, 128)) #图片缩放
dst = img.rotate(45) # 顺时针角度表示（2）转换图像
dst = im.transpose(Image.FLIP_LEFT_RIGHT) #左右互换
dst = im.transpose(Image.FLIP_TOP_BOTTOM) #上下互换
dst = im.transpose(Image.ROTATE_90) #顺时针旋转
dst = im.transpose(Image.ROTATE_180)
dst = im.transpose(Image.ROTATE_270)transpose()和rotate()没有性能差别。
三、图像中的像素访问
前面的一些例子中，我们都是利用Image.open（）来打开一幅图像，然后直接对这个PIL对象进行操作。如果只是简单的操作还可以，但是如果操作稍微复杂一些，就比较吃力了。因此，通常我们加载完图片后，都是把图片转换成矩阵来进行更加复杂的操作。
python中利用numpy库和scipy库来进行各种数据操作和科学计算。我们可以通过pip来直接安装这两个库
pip install numpy
pip install scipy以后，只要是在python中进行数字图像处理，我们都需要导入这些包：
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt打开图像并转化为矩阵，并显示：
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt
img = np.array(Image.open('/home/mwp/1.png')) #打开图像并转换为数字矩阵
plt.figure('cancer')
plt.imshow(img)
plt.axis('off')
plt.show()
#查看图片信息
print(img.shape)
print(img.dtype)
print(img.size)
print(type(img))
如果是RGB图片，那么转换为array之后，就变成了一个rows*cols*channels的三维矩阵,因此，我们可以使用 img[i,j,k] 来访问像素值
例1：打开图片，并随机添加一些椒盐噪声
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt
img=np.array(Image.open('/home/mwp/1.jpeg'))
#随机生成5000个椒盐
rows,cols,dims=img.shape
for i in range(5000):
x=np.random.randint(0,rows)
y=np.random.randint(0,cols)
img[x,y,:]=255
plt.figure("beauty")
plt.imshow(img)
plt.axis('off')
plt.show()
例2：将lena图像二值化，像素值大于128的变为1，否则变为0
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt
img = np.array(Image.open('/home/mwp/1.jpeg').convert('L'))
rows,cols=img.shape
for i in range(rows):
for j in range(cols):
if(img[i,j]<=128):
img[i,j] = 0
else:
img[i,j] = 1
plt.figure('food')
plt.imshow(img,cmap='gray')
plt.axis('off')
plt.show()
如果要对多个像素点进行操作，可以使用数组切片方式访问。切片方式返回的是以指定间隔下标访问 该数组的像素值。下面是有关灰度图像的一些例子：
img[i,:] = im[j,:] # 将第 j 行的数值赋值给第 i 行
img[:,i] = 100 # 将第 i 列的所有数值设为 100
img[:100,:50].sum() # 计算前 100 行、前 50 列所有数值的和
img[50:100,50:100] # 50~100 行，50~100 列（不包括第 100 行和第 100 列）
img[i].mean() # 第 i 行所有数值的平均值
img[:,-1] # 最后一列
img[-2,:] (or im[-2]) # 倒数第二行四、图像直方图
import numpy as np
#生成一个一维数组
vec = np.arange(15)
print('vec:',vec)
#将一维数组变成一个3*5的二维矩阵,用reshape()
mat = vec.reshape(3,5)
print('mat:',mat)
#将一个二维矩阵变成一个一维数组，用flatten()
a1 = mat.reshape(1,-1) #-1表示为任意，让系统自动计算
print('a1:',a1)
a2 = mat.flatten()
print('a2:',a2)vec: [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]
mat: [[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]]
a1: [[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]]
a2: [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]可以看出，用reshape进行变换，实际上变换后还是二维数组，两个方括号，因此只能用flatten.
我们要对图像求直方图，就需要先把图像矩阵进行flatten操作，使之变为一维数组，然后再进行统计。
1.画灰度图直方图
绘图都可以调用matplotlib.pyplot库来进行，其中的hist函数可以直接绘制直方图。
调用方式：
n, bins, patches = plt.hist(arr, bins=50, normed=1, facecolor='green', alpha=0.75)hist的参数非常多，但常用的就这五个，只有第一个是必须的，后面四个可选
arr: 需要计算直方图的一维数组
bins: 直方图的柱数，可选项，默认为10
normed: 是否将得到的直方图向量归一化。默认为0
facecolor: 直方图颜色
alpha: 透明度
返回值 ：
n: 直方图向量，是否归一化由参数设定
bins: 返回各个bin的区间范围
patches: 返回每个bin里面包含的数据，是一个list
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt
img = np.array(Image.open('/home/mwp/1.jpeg').convert('L'))
plt.figure('lena')
arr = img.flatten()
n,bins,patches = plt.hist(arr, bins=256, normed=1, facecolor='blue', alpha=0.75)
plt.show()
2.彩色图片直方图
实际上是和灰度直方图一样的，只是分别画出三通道的直方图，然后叠加在一起。
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt
src = Image.open('/home/mwp/1.jpeg')
r,g,b = src.split()
plt.figure('lena')
#r通道
ar = np.array(r).flatten()
plt.hist(ar, bins=256, normed=1, facecolor='r', edgecolor='r', hold=1)
#g通道
ag = np.array(g).flatten()
plt.hist(ag, bins=256, normed=1, facecolor='g', edgecolor='g',hold=1)
#b通道
ab = np.array(b).flatten()
plt.hist(ab, bins=256, normed=1, facecolor='b', edgecolor='b',hold=1)
plt.show()
由此可见，matplotlib的画图功能是非常强大的，直方图只是其中非常小的一部分，更多的请参看官方文档：