[PythonDataAnalysis-XX…]系列，参考Python数据分析与展示 嵩天@北京理工
根据第三方库内容特点，课程共分8个内容单元和4个实战单元：
- 单元1：NumPy库入门：一维、二维、N维、高维数据表示和操作
- 单元2：NumPy数据存取与函数：多维数据存储、随机数函数、统计函数、梯度函数
- 单元3：实战：图像的手绘效果
- 单元4：Matplotlib库的入门和基本使用
- 单元5：Matplotlib基础绘图函数：饼图、直方图、极坐标图、散点图
- 单元6：实战：引力波的绘制
- 单元7：Pandas库入门：Series、DataFrame类型、基本操作
- 单元8：Pandas数据特征分析：数据排序、基本统计分析、累计分析、相关分析
1. 图像的数组表示
图像一般使用RGB色彩模式，即每个像素点的颜色由红(R)、绿(G)、蓝(B)组成。 RGB三个颜色通道的变化和叠加得到各种颜色，其中
- R 红色，取值范围，0‐255
- G 绿色，取值范围，0‐255
- B 蓝色，取值范围，0‐255
RGB形成的颜色包括了人类视力所能感知的所有颜色。
1.1 PIL库
PIL， Python Image Library，PIL库是一个具有强大图像处理能力的第三方库。
在命令行下的安装方法： pip install pillow。
- from PIL import Image ，Image是PIL库中代表一个图像的类（对象）
图像是一个由像素组成的二维矩阵，每个元素是一个RGB值。
In [102]: from PIL import Image
In [103]: import numpy as np
In [104]: im = np.array(Image.open('01.jpg'))
In [105]: print(im.shape,im.dtype)
(372, 672, 3) uint8
图像是一个三维数组，维度分别是高度、宽度和像素RGB值。
In [135]: a
Out[135]:
array([[[160, 193, 228],
...,
[239, 235, 226]]], dtype=uint8)
2. 图像的变换：
In [123]: a = np.array(Image.open('01.jpg').convert('L'))
In [124]: a.shape
Out[124]: (372, 672)
In [125]: b = 255-a
In [126]: im = Image.fromarray(b.astype('uint8'))
In [127]: im.save('03.jpeg')
In [128]: im = Image.fromarray(a.astype('uint8'))
In [129]: im.save('04.jpeg')
下面分别是1,2,3,4处理后的图片
- 1是原始图片
- 2是RGB取补后的图片
- 3是处理成灰度后取补的图片
- 4是处理成灰度后的图片
通过对RGB值二维数组的处理，可以实现更多的图像处理。
3. 手绘效果示例分析
手绘效果的几个特征：黑白灰色 / 边界线条较重 / 相同或相近色彩趋于白色 / 略有光源效果
from PIL import Image
import numpy as np
a = np.asarray(Image.open('01.jpg').convert('L')).astype('float')
depth = 10. # (0-100)
grad = np.gradient(a) #取图像灰度的梯度值
grad_x, grad_y = grad #分别取横纵图像梯度值
grad_x = grad_x*depth/100.
grad_y = grad_y*depth/100.
A = np.sqrt(grad_x**2 + grad_y**2 + 1.)
uni_x = grad_x/A
uni_y = grad_y/A
uni_z = 1./A
vec_el = np.pi/2.2 # 光源的俯视角度，弧度值
vec_az = np.pi/4. # 光源的方位角度，弧度值
dx = np.cos(vec_el)*np.cos(vec_az) #光源对x 轴的影响
dy = np.cos(vec_el)*np.sin(vec_az) #光源对y 轴的影响
dz = np.sin(vec_el) #光源对z 轴的影响
b = 255*(dx*uni_x + dy*uni_y + dz*uni_z) #光源归一化
b = b.clip(0,255)
im = Image.fromarray(b.astype('uint8')) #重构图像
im.save('01-1.jpg')
实现效果如下:
3.1 代码解析 - 梯度的重构
利用像素之间的梯度值和虚拟深度值对图像进行重构，根据灰度变化来模拟人类视觉的远近程度 。
depth = 10. # 预设深度值为10 取值范围0‐100
grad = np.gradient(a) #取图像灰度的梯度值
grad_x, grad_y = grad #分别取横纵图像梯度值
grad_x = grad_x*depth/100.
grad_y = grad_y*depth/100. # 根据深度调整x和y方向的梯度值
3.2 代码解析 - 光源效果
根据灰度变化来模拟人类视觉的远近程度。
vec_el = np.pi/2.2 # 光源的俯视角度，弧度值
vec_az = np.pi/4. # 光源的方位角度，弧度值
dx = np.cos(vec_el)*np.cos(vec_az) #光源对x 轴的影响
dy = np.cos(vec_el)*np.sin(vec_az) #光源对y 轴的影响
dz = np.sin(vec_el) #光源对z 轴的影响
- np.cos(vec_el)为单位光线在地平面上的投影长度
- dx, dy, dz是光源对x/y/z三方向的影响程度
3.3 代码解析 - 梯度归一化
# 构造x和y轴梯度的三维归一化单位坐标系
A = np.sqrt(grad_x**2 + grad_y**2 + 1.)
uni_x = grad_x/A
uni_y = grad_y/A
uni_z = 1./A
# 梯度与光源相互作用，将梯度转化为灰度
b = 255*(dx*uni_x + dy*uni_y + dz*uni_z) #光源归一化
3.4 代码解析 - 图像生成
# 为避免数据越界，将生成的灰度值裁剪至0‐255区间
b = b.clip(0,255)
im = Image.fromarray(b.astype('uint8')) #重构图像
im.save('01-1.jpg')
上面代码还是不够理解，只知道应用了梯度等概念。详细的应该在计算机图形学中去了解。