【Python】PIL库中图像的mode参数

2024-07-15 20:54| 来源: 网络整理| 查看: 265

这篇的是为了说明PIL库中图像的mode参数。

部分结果见下

部分代码和结果

最后一点关于颜色模式的，供备注用

重点关注P模式

获取实际图片的调色板

如果不想知道一一对应，只是想知道有哪些颜色，可以使用如下代码

如何将灰度图像保存为P模式的图像呢？

这篇的是为了说明PIL库中图像的mode参数。

我做的事情是:

在本地找了jpg的图，convert为不同mode，将不同的图截取做了个脑图，有个直观的感觉吧。把不同mode的图通过np.array()转化为array, 打印出array的shape，和array[0, 0]的值，便于理解不同mode的通道和像素值的存储。部分结果见下

部分代码和结果 # 将不同模式的图片打印出shape 和 [0, 0]像素点的值 from PIL import Image import matplotlib.pyplot as plt image = Image.open('images/tower.jpg') # 本地一个文件 mode_list = ['1', 'L', 'I', 'F', 'P', 'RGB', 'RGBA', 'CMYK', 'YCbCr' ] for mode in mode_list: img = image.convert(mode) img_data = np.array(img) print('img_{:>1}.shape: {}' .format(mode, img_data.shape)) print('img_{:>}_data[0, 0]: {}'.format(mode, img_data[0, 0])) print('---') # 以下为output img_1.shape: (1276, 1920) img_1_data[0, 0]: False --- img_L.shape: (1276, 1920) img_L_data[0, 0]: 88 --- img_I.shape: (1276, 1920) img_I_data[0, 0]: 88 --- img_F.shape: (1276, 1920) img_F_data[0, 0]: 88.94599914550781 --- img_P.shape: (1276, 1920) img_P_data[0, 0]: 131 --- img_RGB.shape: (1276, 1920, 3) img_RGB_data[0, 0]: [ 51 97 147] --- img_RGBA.shape: (1276, 1920, 4) img_RGBA_data[0, 0]: [ 51 97 147 255] --- img_CMYK.shape: (1276, 1920, 4) img_CMYK_data[0, 0]: [204 158 108 0] --- img_YCbCr.shape: (1276, 1920, 3) img_YCbCr_data[0, 0]: [ 88 160 100] --- 以上可对mode参数有所了解，第一篇拙劣，还望指正。最后一点关于颜色模式的，供备注用 RGB 为真色彩模式，可组合为 256 x 256 x256 种，打印需要更改为 CMYK模式，需要注意数值溢出的问题。HSB 模式（本篇没有涉及），建立基于人类感觉颜色的方式，将颜色分为色相（Hue），饱和度（Saturation），明亮度（Brightness），这里不详细展开。CMYK模式，应用在印刷领域，4个字母意思是青、洋红、黄、黑，因为不能保证纯度，所以需要黑。位图模式，见1，颜色由黑和白表示（True， False）。灰度模式，只有灰度，所有颜色转化为灰度值，见L，I，F。双色调模式（未有涉及），节约成本将可使用双色调。Lab模式（未涉及，ps内置），由3通道组成（亮度，a，b）组成，作为RGB到CMYK的过渡。多通道模式，删除RGB，CMYK，Lab中某一个通道后，会转变为多通道，多通道用于处理特殊打印，它的每个通道都为256级灰度通道。索引颜色模式，用在多媒体和网页，通过颜色表查取，没有则就近取，仅支持单通道，（8位/像素）。重点关注P模式

如果你已经了解RGB模式的含义，那么你需要的只是一个利用“重映射”组织数据的思想。

以一个简单的3×3数组为例，比如这样的

A = [[0, 0, 0], [0, 0, 0], [0, 0, 0]]

它可以被我们视为一张极其简单的图片。假设其中每个元素都是6比特无符号整数类型（虽然实际没有6bit的数据类型，但作为理论分析还是有意义的，可表示0~63），用来表示颜色（至于表示什么颜色就随意了，我们这里只做一个假想的概念），那么数组A理论占用的空间就是9×6=54比特。具体地，考虑一个非全零的A，

A = [[18, 21, 0], [ 0, 35, 35], [ 0, 35, 18]]

这并不影响它占用的空间大小。但我们很容易发现，这个数组中实际出现的数字其实并不多，只有0、18、21、35这几个而已。如果我们建立一个映射关系

0 → 0 1 → 18 2 → 21 3 → 35

上面的数组就可以重写为

B = [[1, 2, 0], [0, 3, 3], [0, 3, 1]]

哎你会发现这样的表示紧凑了很多。而0123只需要两个比特就能表示，数组B占用的空间可以压缩到9×2=18比特，是原来的1/3。即使把这套映射关系也保存下来，即存成一个新的一维数组

c = [0, 18, 21, 35]

元素的位置即代表了它的映射值。向量c的占用为4×6=24比特，跟数组B的加起来也才不过42bit。而且你可以很容易想见，如果数组A的规模十分巨大，而实际出现的数据还是这么几个，这种重映射后的表示法优势就非常明显。

在Python中numpy库的体系下，通过语句c[B]，就可以重建数组A。

总结起来，对于元素数据长度特别大，但实际出现的数据去重后数量非常少的情况，我们完全可以把这些弥散在很大范围内的数据，重映射到一个更为紧凑的范围内（上面就是将弥散在几十范围内的数据映射到了小于4的几个值上），从而实现以小见大的效果。

具体到PIL图片的P模式，跟这个原理就非常类似了，它是把原来单像素占用24(32)个bit的RGB(A)真彩图片中的像素值，重映射到了8bit长，即0~255的数值范围内。而这套映射关系，就是属于这张图的所谓“调色板”(Pallete)。当然，一张图片里实际出现的颜色很可能远不止256种，这时只需要按照一种合适的取舍规则，把一些相近的颜色合并成一种就好了。不过这样就有可能带来一定的失真。如何根据具体的图片尽可能少失真地合并颜色，就是另一个话题了。

现在，你应该可以理解P模式的含义了。更重要的是，这种重映射的组织数据的思想，远不止在图像处理领域适用。

获取实际图片的调色板 from PIL import Image import numpy as np img = Image.open(r"F:\data\VOC\VOCdevkit\VOC2012\SegmentationClass\2007_000250.png") img_arr = np.array(img) unique_value = np.unique(img_arr) palette = np.array(img.getpalette(),dtype=np.uint8).reshape((256,3)) print(unique_value) print(palette)

其中unique_value为

array([ 0, 5, 11, 255], dtype=uint8)

其中palette的值为

array([[ 0, 0, 0], [128, 0, 0], [ 0, 128, 0], [128, 128, 0], [ 0, 0, 128], [128, 0, 128], [ 0, 128, 128], [128, 128, 128], [ 64, 0, 0], [192, 0, 0], [ 64, 128, 0], [192, 128, 0], [ 64, 0, 128], [192, 0, 128], [ 64, 128, 128], [192, 128, 128], [ 0, 64, 0], [128, 64, 0], [ 0, 192, 0], [128, 192, 0], [ 0, 64, 128], [128, 64, 128], [ 0, 192, 128], [128, 192, 128], [ 64, 64, 0], [192, 64, 0], [ 64, 192, 0], [192, 192, 0], [ 64, 64, 128], [192, 64, 128], [ 64, 192, 128], [192, 192, 128], [ 0, 0, 64], [128, 0, 64], [ 0, 128, 64], [128, 128, 64], [ 0, 0, 192], [128, 0, 192], [ 0, 128, 192], [128, 128, 192], [ 64, 0, 64], [192, 0, 64], [ 64, 128, 64], [192, 128, 64], [ 64, 0, 192], [192, 0, 192], [ 64, 128, 192], [192, 128, 192], [ 0, 64, 64], [128, 64, 64], [ 0, 192, 64], [128, 192, 64], [ 0, 64, 192], [128, 64, 192], [ 0, 192, 192], [128, 192, 192], [ 64, 64, 64], [192, 64, 64], [ 64, 192, 64], [192, 192, 64], [ 64, 64, 192], [192, 64, 192], [ 64, 192, 192], [192, 192, 192], [ 32, 0, 0], [160, 0, 0], [ 32, 128, 0], [160, 128, 0], [ 32, 0, 128], [160, 0, 128], [ 32, 128, 128], [160, 128, 128], [ 96, 0, 0], [224, 0, 0], [ 96, 128, 0], [224, 128, 0], [ 96, 0, 128], [224, 0, 128], [ 96, 128, 128], [224, 128, 128], [ 32, 64, 0], [160, 64, 0], [ 32, 192, 0], [160, 192, 0], [ 32, 64, 128], [160, 64, 128], [ 32, 192, 128], [160, 192, 128], [ 96, 64, 0], [224, 64, 0], [ 96, 192, 0], [224, 192, 0], [ 96, 64, 128], [224, 64, 128], [ 96, 192, 128], [224, 192, 128], [ 32, 0, 64], [160, 0, 64], [ 32, 128, 64], [160, 128, 64], [ 32, 0, 192], [160, 0, 192], [ 32, 128, 192], [160, 128, 192], [ 96, 0, 64], [224, 0, 64], [ 96, 128, 64], [224, 128, 64], [ 96, 0, 192], [224, 0, 192], [ 96, 128, 192], [224, 128, 192], [ 32, 64, 64], [160, 64, 64], [ 32, 192, 64], [160, 192, 64], [ 32, 64, 192], [160, 64, 192], [ 32, 192, 192], [160, 192, 192], [ 96, 64, 64], [224, 64, 64], [ 96, 192, 64], [224, 192, 64], [ 96, 64, 192], [224, 64, 192], [ 96, 192, 192], [224, 192, 192], [ 0, 32, 0], [128, 32, 0], [ 0, 160, 0], [128, 160, 0], [ 0, 32, 128], [128, 32, 128], [ 0, 160, 128], [128, 160, 128], [ 64, 32, 0], [192, 32, 0], [ 64, 160, 0], [192, 160, 0], [ 64, 32, 128], [192, 32, 128], [ 64, 160, 128], [192, 160, 128], [ 0, 96, 0], [128, 96, 0], [ 0, 224, 0], [128, 224, 0], [ 0, 96, 128], [128, 96, 128], [ 0, 224, 128], [128, 224, 128], [ 64, 96, 0], [192, 96, 0], [ 64, 224, 0], [192, 224, 0], [ 64, 96, 128], [192, 96, 128], [ 64, 224, 128], [192, 224, 128], [ 0, 32, 64], [128, 32, 64], [ 0, 160, 64], [128, 160, 64], [ 0, 32, 192], [128, 32, 192], [ 0, 160, 192], [128, 160, 192], [ 64, 32, 64], [192, 32, 64], [ 64, 160, 64], [192, 160, 64], [ 64, 32, 192], [192, 32, 192], [ 64, 160, 192], [192, 160, 192], [ 0, 96, 64], [128, 96, 64], [ 0, 224, 64], [128, 224, 64], [ 0, 96, 192], [128, 96, 192], [ 0, 224, 192], [128, 224, 192], [ 64, 96, 64], [192, 96, 64], [ 64, 224, 64], [192, 224, 64], [ 64, 96, 192], [192, 96, 192], [ 64, 224, 192], [192, 224, 192], [ 32, 32, 0], [160, 32, 0], [ 32, 160, 0], [160, 160, 0], [ 32, 32, 128], [160, 32, 128], [ 32, 160, 128], [160, 160, 128], [ 96, 32, 0], [224, 32, 0], [ 96, 160, 0], [224, 160, 0], [ 96, 32, 128], [224, 32, 128], [ 96, 160, 128], [224, 160, 128], [ 32, 96, 0], [160, 96, 0], [ 32, 224, 0], [160, 224, 0], [ 32, 96, 128], [160, 96, 128], [ 32, 224, 128], [160, 224, 128], [ 96, 96, 0], [224, 96, 0], [ 96, 224, 0], [224, 224, 0], [ 96, 96, 128], [224, 96, 128], [ 96, 224, 128], [224, 224, 128], [ 32, 32, 64], [160, 32, 64], [ 32, 160, 64], [160, 160, 64], [ 32, 32, 192], [160, 32, 192], [ 32, 160, 192], [160, 160, 192], [ 96, 32, 64], [224, 32, 64], [ 96, 160, 64], [224, 160, 64], [ 96, 32, 192], [224, 32, 192], [ 96, 160, 192], [224, 160, 192], [ 32, 96, 64], [160, 96, 64], [ 32, 224, 64], [160, 224, 64], [ 32, 96, 192], [160, 96, 192], [ 32, 224, 192], [160, 224, 192], [ 96, 96, 64], [224, 96, 64], [ 96, 224, 64], [224, 224, 64], [ 96, 96, 192], [224, 96, 192], [ 96, 224, 192], [224, 224, 192]], dtype=uint8)

这几个加粗的值就是上面unique_value的值就是下面的索引。

所以0 --> [ 0, 0, 0]; 5-->[128, 0, 128]; 11-->[192, 128, 0]; 255->[224, 224, 192]

如果不想知道一一对应，只是想知道有哪些颜色，可以使用如下代码 # Convert Image to RGB and make into Numpy array na = np.array(im.convert('RGB')) # Get used colours and counts of each colours, counts = np.unique(na.reshape(-1,3), axis=0, return_counts=1) 如何将灰度图像保存为P模式的图像呢？ from PIL import Image import numpy as np import os def label_colormap(N=256): def bitget(byteval, idx): return ((byteval & (1

【本文地址】

公司简介

联系我们