python代碼顯示圖片的像素信息

1. python plot圖怎麼調整屬性

1.importmatplotlib.pylab as plt。
2. plt.ylabel([string])設置y軸文字；x軸同理。
3. plt.show()顯示圖。
4.plt([array1],[array2],[string],linewidth=[float])，依次代表x值，y值，數據點的樣式。只有一個array則默認為y值，x值為range(len(y))，點的樣式為'colorshape'，默認為'b-'（藍色實線），還比如'ro'（紅色圓點），'k^'（黑色三角），'g--'（綠色虛線），默認都是填充的。可以串聯參數一張圖上作多條線。linewidth是線寬。

2. python圖像處理代碼，望大神詳細解釋。越詳細越好

#初始化一個矩形np.max(marks)+1行，3列，默認值為0
colorTab=np.zeros((np.max(marks)+1,3))

#遍歷數組，給每行的3列賦值，就是RGB顏色值，8位的
foriinrange(len(colorTab)):
aa=np.random.uniform(0,255)
bb=np.random.uniform(0,255)
cc=np.random.uniform(0,255)
colorTab[i]=np.array([aa,bb,cc],np.uint8)

#初始化另一個跟img圖像形狀大小一樣的圖像，一副黑色圖像
bgrImage=np.zeros(img.shape,np.uint8)

#遍歷marks形狀的行列
foriinrange(marks.shape[0]):
forjinrange(marks.shape[1]):

index=marks[i][j]
#判斷是不是區域與區域之間的分界,如果是邊界(-1)，則使用白色顯示
ifindex==-1:
bgrImage[i][j]=np.array([255,255,255])#像素點設置位白色
else:
bgrImage[i][j]=colorTab[index]#像素點設置位上邊隨機生成的顏色值

#顯示處理後的圖像圖像
cv2.imshow('AfterColorFill',bgrImage)
#總結，先生成一個跟marks相同數量的row*col的一張顏色表，然後創建一個跟marks相同大小的一副黑色圖像
#最後對黑色圖像畫出白色邊界和內部隨機彩色像素值

3. python處理圖片數據

目錄

1.機器是如何存儲圖像的？

2.在Python中讀取圖像數據

3.從圖像數據中提取特徵的方法#1：灰度像素值特徵

4.從圖像數據中提取特徵的方法#2：通道的平均像素值

5.從圖像數據中提取特徵的方法#3：提取邊緣
是一張數字8的圖像，仔細觀察就會發現，圖像是由小方格組成的。這些小方格被稱為像素。

但是要注意，人們是以視覺的形式觀察圖像的，可以輕松區分邊緣和顏色，從而識別圖片中的內容。然而機器很難做到這一點，它們以數字的形式存儲圖像。請看下圖：

機器以數字矩陣的形式儲存圖像，矩陣大小取決於任意給定圖像的像素數。

假設圖像的尺寸為180 x 200或n x m，這些尺寸基本上是圖像中的像素數（高x寬）。

這些數字或像素值表示像素的強度或亮度，較小的數字（接近0）表示黑色，較大的數字（接近255）表示白色。通過分析下面的圖像，讀者就會弄懂到目前為止所學到的知識。

下圖的尺寸為22 x 16，讀者可以通過計算像素數來驗證：

圖片源於機器學習應用課程

剛才討論的例子是黑白圖像，如果是生活中更為普遍的彩色呢？你是否認為彩色圖像也以2D矩陣的形式存儲？

彩色圖像通常由多種顏色組成，幾乎所有顏色都可以從三原色（紅色，綠色和藍色）生成。

因此，如果是彩色圖像，則要用到三個矩陣（或通道）——紅、綠、藍。每個矩陣值介於0到255之間，表示該像素的顏色強度。觀察下圖來理解這個概念：

圖片源於機器學習應用課程

左邊有一幅彩色圖像（人類可以看到），而在右邊，紅綠藍三個顏色通道對應三個矩陣，疊加三個通道以形成彩色圖像。

請注意，由於原始矩陣非常大且可視化難度較高，因此這些不是給定圖像的原始像素值。此外，還可以用各種其他的格式來存儲圖像，RGB是最受歡迎的，所以筆者放到這里。讀者可以在此處閱讀更多關於其他流行格式的信息。

用Python讀取圖像數據

下面開始將理論知識付諸實踐。啟動Python並載入圖像以觀察矩陣：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
from skimage.io import imread, imshow
image = imread('image_8_original.png', as_gray=True)
imshow(image)

#checking image shape
image.shape, image

（28，28）

矩陣有784個值，而且這只是整個矩陣的一小部分。用一個LIVE編碼窗口，不用離開本文就可以運行上述所有代碼並查看結果。

下面來深入探討本文背後的核心思想，並探索使用像素值作為特徵的各種方法。

方法#1：灰度像素值特徵

從圖像創建特徵最簡單的方法就是將原始的像素用作單獨的特徵。

考慮相同的示例，就是上面那張圖（數字『8』），圖像尺寸為28×28。

能猜出這張圖片的特徵數量嗎？答案是與像素數相同！也就是有784個。

那麼問題來了，如何安排這784個像素作為特徵呢？這樣，可以簡單地依次追加每個像素值從而生成特徵向量。如下圖所示：

下面來用Python繪制圖像，並為該圖像創建這些特徵：

image = imread('puppy.jpeg', as_gray=True)

image.shape, imshow(image)

（650，450）

該圖像尺寸為650×450，因此特徵數量應為297,000。可以使用NumPy中的reshape函數生成，在其中指定圖像尺寸：

#pixel features

features = np.reshape(image, (660*450))

features.shape, features

(297000,)
array([0.96470588, 0.96470588, 0.96470588, ..., 0.96862745, 0.96470588,
0.96470588])

這里就得到了特徵——長度為297,000的一維數組。很簡單吧？在實時編碼窗口中嘗試使用此方法提取特徵。

但結果只有一個通道或灰度圖像，對於彩色圖像是否也可以這樣呢？來看看吧！

方法#2：通道的平均像素值

在讀取上一節中的圖像時，設置了參數『as_gray = True』，因此在圖像中只有一個通道，可以輕松附加像素值。下面刪除參數並再次載入圖像：

image = imread('puppy.jpeg')
image.shape

(660, 450, 3)

這次，圖像尺寸為（660，450，3），其中3為通道數量。可以像之前一樣繼續創建特徵，此時特徵數量將是660*450*3 = 891,000。

或者，可以使用另一種方法：

生成一個新矩陣，這個矩陣具有來自三個通道的像素平均值，而不是分別使用三個通道中的像素值。

下圖可以讓讀者更清楚地了解這一思路：

這樣一來，特徵數量保持不變，並且還能考慮來自圖像全部三個通道的像素值。

image = imread('puppy.jpeg')
feature_matrix = np.zeros((660,450))
feature_matrix.shape

(660, 450)

現有一個尺寸為（660×450×3）的三維矩陣，其中660為高度，450為寬度，3是通道數。為獲取平均像素值，要使用for循環：

for i in range(0,iimage.shape[0]):
for j in range(0,image.shape[1]):
feature_matrix[i][j] = ((int(image[i,j,0]) + int(image[i,j,1]) + int(image[i,j,2]))/3)

新矩陣具有相同的高度和寬度，但只有一個通道。現在，可以按照與上一節相同的步驟進行操作。依次附加像素值以獲得一維數組：

features = np.reshape(feature_matrix, (660*450))
features.shape

(297000,)

方法#3：提取邊緣特徵

請思考，在下圖中，如何識別其中存在的對象：

識別出圖中的對象很容易——狗、汽車、還有貓，那麼在區分的時候要考慮哪些特徵呢？形狀是一個重要因素，其次是顏色，或者大小。如果機器也能像這樣識別形狀會怎麼樣？

類似的想法是提取邊緣作為特徵並將其作為模型的輸入。稍微考慮一下，要如何識別圖像中的邊緣呢？邊緣一般都是顏色急劇變化的地方，請看下圖：

筆者在這里突出了兩個邊緣。這兩處邊緣之所以可以被識別是因為在圖中，可以分別看到顏色從白色變為棕色，或者由棕色變為黑色。如你所知，圖像以數字的形式表示，因此就要尋找哪些像素值發生了劇烈變化。

假設圖像矩陣如下：

圖片源於機器學習應用課程

該像素兩側的像素值差異很大，於是可以得出結論，該像素處存在顯著的轉變，因此其為邊緣。現在問題又來了，是否一定要手動執行此步驟？

當然不！有各種可用於突出顯示圖像邊緣的內核，剛才討論的方法也可以使用Prewitt內核（在x方向上）來實現。以下是Prewitt內核：

獲取所選像素周圍的值，並將其與所選內核（Prewitt內核）相乘，然後可以添加結果值以獲得最終值。由於±1已經分別存在於兩列之中，因此添加這些值就相當於獲取差異。

還有其他各種內核，下面是四種最常用的內核：

圖片源於機器學習應用課程

現在回到筆記本，為同一圖像生成邊緣特徵：

#importing the required libraries
import numpy as np
from skimage.io import imread, imshow
from skimage.filters import prewitt_h,prewitt_v
import matplotlib.pyplot as plt
%matplotlib inline

#reading the image
image = imread('puppy.jpeg',as_gray=True)

#calculating horizontal edges using prewitt kernel
edges_prewitt_horizontal = prewitt_h(image)
#calculating vertical edges using prewitt kernel
edges_prewitt_vertical = prewitt_v(image)

imshow(edges_prewitt_vertical, cmap='gray')

4. 使用python PIL處理圖片。怎麼獲取圖片的像素數據

importimage
importsys
img=image.open("圖片位置")
width=img.size[0]
height=img.size[1]
forwinrange(width):
forhinrange(height):
pixel=img.getpixel(w,h)
printpixel

#width,height是圖片的寬度與長度
#pixel是像素值

5. python如何快速獲取屏幕的所有像素

你只要抓屏，速度快了肯定要消耗CPU的。別說是python，就是用C寫也是一樣的。

抓屏函數在windows里有就有了。似乎是窗口句柄設置為0時就是整個屏幕。

純python代碼就不要想了，一定是通過第三方庫。通過pywin32調用windows的API可以實現，也算是純python代碼吧。

6. 怎樣利用Python進行圖片分析

fromPILimportImage###此處為導出包，注意字母大小寫
importos,os.path

#指明被遍歷的文件夾
rootdir=os.path.abspath(os.curdir)+'/Image/'
rootdir1=os.path.abspath(os.pardir)+"/Image/"

#打包用
ifos.path.isdir(rootdir):
pass
else:
rootdir=rootdir1

size=315,560
i=0

forparent,dirnames,filenamesinos.walk(rootdir):
forfilenameinfilenames:
infile=os.path.join(parent,filename)
im=Image.open(infile)###此處Image.open(dir)為多數對象應用的基礎.
im.thumbnail(size)###此處size為長度為2的tuple類型，改變圖片解析度
im.save(infile)###im.save(dir)，圖片處理的最後都用這個，就是保存處理過後的圖片
i+=1
print(i,"Done")

要用pil包 安裝如下：pipinstallpillow

7. 使用python PIL處理圖片。怎麼獲取圖片的像素數據

你的圖片是什麼格式的呢。如果是PIL格式的，那麼用img.tostring()就行了。

8. 在python Image中可以用show（）來顯示圖片，但是顯示以後，下面的代碼就不運行了，如何運行下面的代碼

Image.show()函數是這個樣子的，必須先關了圖片程序才往下走。

不使用show，如imshow(BW)在 Matlab 7.0 中，二進制圖像是一個邏輯類，僅包括 0 和 1 兩個數值。像素 0 顯示為黑色，像素 1 顯示為白色。顯示時，也可通過NOT(~)命令，對二進制圖象進行取反，使數值 0 顯示為白色；1 顯示為黑色。

例如： imshow(~BW)

擴展資料：

不使用show函數來滿足運行的需求：

import threading

import Image

class ThreadClass(threading.Thread):

def run(self):

im=Image.open('z.jpg')

im.show()

print (1)

t = ThreadClass()

t.start()

print (2)

a=input('End')

#===============================

圖像的表示原理：

最基本的物理圖像是根據矩形網格抽樣原理從連續圖像域中抽取二維灰度陣列（矩陣）得到的。也可以用長向量表示二維灰度矩陣，它是按列（或行）掃描灰度矩陣，把下一列（或行）的頭和前一列（或行）的尾相接而成。

它們的線性可逆變換同樣可以用來表示圖像。圖像的每一行由行程（具有同一灰度的鄰近像元集合）序列所組成，因此也可以用行程長度編碼（見圖像編碼）表示圖像。

9. 為什麼用Python的openCV讀取圖片與PIL讀取的圖片像素值會不一樣

經測試，同一張圖片，使用 PIL和 OpenCv庫讀取的數據是一樣的（經過BGR轉成RGB）：

建議：可以嘗試更新 PIL或是 OpenCv庫。

本機測試環境： Python 3.7+Pillow 6.2 +opencv-python 4.1

10. Python怎麼輸出一幅圖像每個點的像素值

我是用PIL這個庫，用opencv的庫也可以
from PIL import Image
img=Image.open("demo.jpg")
img_array=img.load()
然後就可以通過img_array[x,y]來讀取像素值了
另外img.size查看圖片大小，也可以通過img_array[x,y]=(11,22,33)來設置RGB像素值