Essayez d'utiliser Pillow sur iPython (partie 3)

Flux de travail d'oreiller (3)

Chargez l'image avec Image.open
Convertissez l'image en échelle de gris
Gonyo Gonyo l'image
Enregistrez l'image modifiée avec Image.save

`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 ) #afficher

`python`


#Convertir en échelle de gris
gray_img = img.convert("L")

#Pas l'affichage prévu
pl_img = np.array(gray_img) ; plt.imshow( pl_img ) #afficher

#Afficher les informations du fichier
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) 

#Je pense que je dois faire ça
import matplotlib.cm as cm
plt.imshow(pl_img, cmap = cm.Greys_r)

Eh bien, cette fois c'est du filtrage

Filtre intégré

D'abord à partir du filtre intégré

`python`


from PIL import ImageFilter, ImageOps

`python`


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

`python`


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

`python`


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

`python`


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

Propre filtre

J'écrirai la chose théorique plus tard (Est-ce vraiment écrit?)

`python`


#Détecter les bords verticaux
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`


#Détecte les bords horizontaux
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 Proximité Laplacienne
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 Laplacien de proximité
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 Exemple d'utilisation du laplacien proche
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)

↓ J'ai donné un cahier à nbviewer (c'est le principal) nbviewer.ipython.org/github/suto3/git-public/blob/master/python/notebook/Pillow-workflow03.ipynb

↓ Cliquez ici pour l'environnement de travail Construction d'environnement d'oreiller - Environnement virtuel par virtualenv, environnement interactif par iPython --Qiita

Essayez d'utiliser Pillow sur iPython (Partie 1) --Qiita

Essayez d'utiliser Pillow sur iPython (Partie 2) --Qiita