Python 语言学习——应用1.1 数字图像处理（第一节，颜色）

1.基础知识

2.实战演示

1.基础知识：

1.图像的表示.

函数表示：图像是二维信号，定义为二维函数f(x,y)，其中，x、y是空间坐标，f(x,y)是点(x,y)的幅值。拓展看，视频，又称动态图像，是多帧位图的有序组合，用三维函数f(x,y,t)表示，其中，t为时间变量，f(x,y,t)是t时刻那一帧点(x,y)的幅值。
模拟表示：通过客观的物理量表现颜色的图像，如照片、印刷品、画等。然而这类图像空间坐标值(x,y)及每点的光强是连续，无法用计算机处理。
数字表示：二维像素矩阵，矩阵中每一个点具有一种颜色。计算机衷意的形式。

2.数字图像处理.

数字图像处理（Digital Image Processing）是利用计算机对图像进行去除或衰减噪声、增强、复原、分割、提取特征等的理论、方法和技术 .
数字图像处理一般有三个层次：图像处理(改善视觉效果，增强某些特定的信息，去噪、增强、锐化、色彩处理、复原等）、图像分析（从点阵图像中找出某些数据，用来对图像内容进行识别理解，图像分割、图像描述和分析等）、和图像识别理解（根据从图像中提取出的数据，利用模式识别的方法和理论，理解图像内容）

3.色度学基础与颜色模型.

颜色匹配三原色：在颜色匹配中，用于颜色混合以产生任意颜色的三种颜色；三刺激值：颜色匹配实验中，当与待测色达到色匹配时所需要的三原色的数量，记作R、G、B。简单讲就是调颜料。核心在于三原色的比例。
指导怎么调出各种色彩的标准：CIE 1931-XYZ色度系统——用假想的三种原色可以模拟可见光谱中的所有颜色。其中XYZ与RGB的调颜料关系为：
上述调色方式只是调颜色，对明度，色调，饱和度处理欠妥，于是有：孟德尔表色系统。
颜色模型：颜色的描述是通过建立色彩模型来实现的，不同的色彩模型对应于不同的处理目的。各种不同的颜色模型之间可以通过数学方法互相转换。
常用颜色模型：RGB模型——以700nm(红)、546.1nm (绿)、435.8nm(蓝) 三个色光为三基色，又称为物理三基色。自然界的所有颜色都可以通过选用这三基色按不同比例混合而成。CMY和CMYK颜色模型——运用在大多数在纸上沉积彩色颜料的设备，如彩色打印机和复印机。YIQ颜色模型——Y指亮度，即灰度值；I和Q指色调，描述色彩及饱和度。利用人的可视系统对亮度变化比对色调和饱和度变化更敏感而设计。YCbCr颜色模型——Y指亮度,与YIQ和YUV的Y相同，Cb和Cr指色彩。常见的灰度化方法之一： Y =0.299* R +0.587 * G +0.114 * B。转换方式:（R'为R/(R+G+B)）

4.图像信号的数字化

模拟图像转换为数字图像，方能被计算机处理，这一过程称为图像信号的数字化,包括：采样和量化。采样：对空间坐标x和y离散化，即确定水平和垂直方向上的像素数。图像分辨率:采样所获得的图像总像素的多少，以水平和垂直像素数表示。量化：将各个像素所含的明暗信息离散化。8位量化：即2 8 ，充分考虑到人眼的识别能力，非特殊用途的图像均为8bit量化，用[0 255]描述 “从黑到白”，0和255分别对应亮度的最低和最高级别。可以具体到RGB三原色的情况，如下图：

5.数字图像的数据结构

文件头：图像的自我说明，应包含图像的维数、类型、创建日期和某类标题，也可以包含用于解释像素值的颜色表或编码表，甚至历史段（包含如何建立和处理图像的信息）
图像数据：像素颜色值或压缩后的数据。
举例：JPG,PNG,GIF,TIFF,BMP

2.实战演示

P1. 使用编程打开一幅真彩色图像，将绿色和蓝色通道进行互换，显示通道互换后的图像，并对结果进行说明.

from PIL import Image  # 导入PIL库中的Image模块，用于图像处理# 打开图像文件
image = Image.open("rainbow.jpg")  # 使用Image.open()函数打开名为"rainbow.jpg"的图像文件，并将其赋值给变量image
image.show()# 获取图像的 RGB 通道
r, g, b = image.split()  # 使用image.split()将图像分为红色（r）、绿色（g）和蓝色（b）通道，并将它们分别赋值给变量r、g和b# 交换绿色和蓝色通道
new_image = Image.merge("RGB", (r, b, g))  # 使用Image.merge()函数将绿色和蓝色通道互换，创建新的图像，并将其赋值给变量new_image
new_image.show()
# 保存修改后的图像
new_image.save("rainbow_swapped.jpg")  # 使用new_image.save()方法将修改后的图像保存

说明：当我们调用 image.split() 方法时，它会返回一个包含三个通道图像的元组：红色通道、绿色通道和蓝色通道。所以需要三个量去接待这三个元组，每个元组储存每个像素在相应通道上的强度值，所以代表相应通道上的灰度图。每个灰度图像代表了原始图像在对应通道上的强度值分布情况。这样，我们就可以对每个通道进行单独处理，比如互换绿色和蓝色通道，再合成为新的图像。

P2. 使用编程打开一幅真彩色图像，利用前面提到的灰度化式子对其进行灰度化，并显示变换前后图像。

from PIL import Image, ImageChops# 打开图像文件
image = Image.open("rainbow.jpg")
image.show()# 将图像分割为红色（R）、绿色（G）和蓝色（B）通道
r, g, b = image.split()# 使用公式 Y = 0.299 * R + 0.587 * G + 0.114 * B 计算灰度值
gray_r = r.point(lambda x: 0.299 * x)
gray_g = g.point(lambda x: 0.587 * x)
gray_b = b.point(lambda x: 0.114 * x)# 将三个灰度图像相加
y = ImageChops.add(gray_r, gray_g)
y = ImageChops.add(y, gray_b)# 合并灰度通道为灰度图像
gray = Image.merge("L", (y,))#实际上y已经是gray这个结果，y本身也表示图像
gray.show()
# 保存灰度图像
gray.save("rainbow_gray.jpg")

说明：merge函数这次返回一个灰度类型的图像"L",r.point(函数f)函数即将r元组的各元素（强度）值通过函数f映射后组成新的元组r',返回r'.而lambda是一个简洁的函数定义方式.

P3. 使用编程打开一幅真彩色图像，将其变换到HSV、YCbCr空间，观察变换后的数据，并显示变换前后图像

from PIL import Image# 读取彩色图像
image_path = "rainbow.jpg"
color_image = Image.open(image_path)
# 将图像转换为HSV模式
hsv_image = color_image.convert("HSV")
# 将图像转换为YCbCr模式
ycbcre_image = color_image.convert("YCbCr")
color_image.show()
hsv_image.show()
ycbcre_image.show()

python中内置有转换函数convert,直接用就行，不用手动进行复杂的代数运算.