Versuchen Sie es mit Pillow auf iPython (Teil 3).

Kissenarbeitsablauf (3)

1. Laden Sie das Bild mit Image.open
2. Konvertieren Sie das Bild in Graustufen
3. Gonyo Gonyo das Bild
4. Speichern Sie das mit Image.save bearbeitete Bild

python

%pylab inline
from PIL import Image,ImageDraw,ImageFont
img = Image.open('work-image/lena.jpg')
pl_img = np.array(img) ; plt.imshow( pl_img ) #Anzeige

python

#In Graustufen konvertieren
gray_img = img.convert("L")

#Nicht die beabsichtigte Anzeige
pl_img = np.array(gray_img) ; plt.imshow( pl_img ) #Anzeige

#Dateiinformationen anzeigen
print('size    : ', gray_img.size)
print('format  : ', gray_img.format) 
print('mode    : ', gray_img.mode) 
print('palette : ', gray_img.palette) 
print('info    : ', gray_img.info) 

#Ich denke ich muss das tun
import matplotlib.cm as cm
plt.imshow(pl_img, cmap = cm.Greys_r)

Nun, diesmal wird gefiltert

Eingebauter Filter

Zuerst vom eingebauten Filter

python

from PIL import ImageFilter, ImageOps

python

#Verwischen
pl_img = np.array(gray_img.filter(ImageFilter.BLUR)); plt.imshow(pl_img, cmap = cm.Greys_r)

python

#Konturextraktion
pl_img = np.array(gray_img.filter(ImageFilter.CONTOUR)); plt.imshow(pl_img, cmap = cm.Greys_r)

python

#Prägung
pl_img = np.array(filter_img = gray_img.filter(ImageFilter.EMBOSS)); plt.imshow(pl_img, cmap = cm.Greys_r)

python

#Minimaler Filter
pl_img = np.array(gray_img.filter(ImageFilter.MinFilter(5))); plt.imshow(pl_img, cmap = cm.Greys_r)

Eigener Filter

Ich werde die theoretische Sache später schreiben (Ist sie wirklich geschrieben?)

python

#Vertikale Kanten erkennen
flist =  [1,   1,  1,
          0,   0,  0,
         -1,  -1, -1]

flt = ImageFilter.Kernel((3, 3), flist, scale=1)
filter_img = gray_img.filter(flt)

pl_img = np.array(filter_img) ; plt.imshow(pl_img, cmap = cm.Greys_r)

python

#Erkennt horizontale Kanten
flist =  [1,   0, -1,
          1,   0, -1,
          1,   0, -1]
flt = ImageFilter.Kernel((3, 3), flist, scale=1)
filter_img = gray_img.filter(flt)

pl_img = np.array(filter_img) ; plt.imshow(pl_img, cmap = cm.Greys_r)

python

#4 Nähe Laplace
flist = [0,  1, 0,
         1, -4, 1,
         0,  1, 0]
flt = ImageFilter.Kernel((3, 3), flist, scale=1)
filter_img = gray_img.filter(flt)

pl_img = np.array(filter_img) ; plt.imshow(pl_img, cmap = cm.Greys_r)

python

#8 Nähe Laplace
flist = [1,  1, 1,
         1, -8, 1,
         1,  1, 1]
flt = ImageFilter.Kernel((3, 3), flist, scale=1)
filter_img = gray_img.filter(flt)

pl_img = np.array(filter_img) ; plt.imshow(pl_img, cmap = cm.Greys_r)

filter_img.save('work-image/filter05-lena.png') 

python

#8 Beispiel für die Verwendung von Laplace in der Nähe
flist = [0.4,  0.4, 0.4,
         0.4, -2.2, 0.4,
         0.4,  0.4, 0.4]
flt = ImageFilter.Kernel((3, 3), flist, scale=1)
filter_img = gray_img.filter(flt)

pl_img = np.array(filter_img) ; plt.imshow(pl_img, cmap = cm.Greys_r)

↓ Ich habe nbviewer ein Notizbuch gegeben (dies ist das Hauptbuch) nbviewer.ipython.org/github/suto3/git-public/blob/master/python/notebook/Pillow-workflow03.ipynb

↓ Klicken Sie hier für die Arbeitsumgebung Aufbau der Kissenumgebung - Virtuelle Umgebung von virtualenv, interaktive Umgebung von iPython - Qiita

Verwenden Sie Pillow auf iPython (Teil 1) --Qiita

Verwenden Sie Pillow auf iPython (Teil 2) --Qiita