# assignment2_homework

**Repository Path**: duan-qi-rui/assignment2_homework

## Basic Information

- **Project Name**: assignment2_homework
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-03-15
- **Last Updated**: 2025-03-15

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

import skimage.io as skio  # 导入skimage库的io模块，用于图像读取
import matplotlib.pyplot as plt  # 导入matplotlib绘图模块
import numpy as np  # 导入numpy数值计算库

image1 = skio.imread('x.jpg')  # 读取x.jpg图片到image1变量
print(f"图像1的形状: {image1.shape}")  # 打印图像1的维度信息(H,W,C)
height1, width1, channels1 = image1.shape  # 解包图像高度/宽度/通道数
image1[:5, :, 0] = 255  # 将前5行所有列的第1个通道像素设为255（白色）
plt.imshow(image1)  # 显示处理后的图像1
plt.show()  # 结束当前图像显示并清空画布

image2 = skio.imread('x.jpg')  # 重新读取x.jpg到image2
print(f"图像2的形状: {image2.shape}")  # 打印图像2的维度信息
height2, width2, channels2 = image2.shape  # 解包图像尺寸参数
image2[:, :5, 0] = 255  # 将所有行前5列的第1个通道设为255（横向白条）
plt.imshow(image2)  # 显示图像2
plt.show()  # 结束显示

image3 = skio.imread('x.jpg')  # 第三次读取x.jpg
print(f"图像3的形状: {image3.shape}")  # 打印图像3形状
height3, width3, channels3 = image3.shape  # 解包尺寸
image3[:5, :5, 0] = 255  # 在左上角5x5区域设置白色方块
plt.imshow(image3)  # 显示图像3
plt.show()  # 结束显示

image4 = skio.imread('x.jpg')  # 第四次读取x.jpg
print(f"图像4的形状: {image4.shape}")  # 打印图像4形状
height4, width4, channels4 = image4.shape  # 解包尺寸
coordinates = [(3, 4), (3, 5), (4, 3), (4, 6), (5, 3), (5, 6), (6, 4), (6, 5)]  # 定义8个坐标点
for y, x in coordinates:  # 遍历坐标列表
    image4[y, x, 0] = 255  # 在指定坐标点设置白色像素（星形图案）
plt.imshow(image4)  # 显示图像4
plt.show()  # 结束显示

image5 = skio.imread('x.jpg')  # 第五次读取x.jpg
print(f"图像5的形状: {image5.shape}")  # 打印图像5形状
height5, width5, channels5 = image5.shape  # 解包尺寸
for col in range(1, width5 - 1):  # 遍历所有列（除去边界）
    for row in range(1, height5 - 1):  # 遍历所有行（除去边界）
        if np.all(image5[row, col] == 255):  # 如果是白色像素
            image5[row, col] = [0, 0, 255]  # 改为蓝色
        else:  # 否则
            image5[row, col] = [0, 255, 0]  # 改为绿色
image5[7, 7] = [0, 0, 255]  # 在(7,7)位置设置蓝色像素
plt.imshow(image5)  # 显示图像5
plt.show()  # 结束显示

image6 = skio.imread('galaxy-full.jpg')  # 读取银河系图片
red = image6.copy()  # 创建红色通道副本
red[:, :, 1:] = 0  # 关闭绿蓝通道（只保留红色）
green = image6.copy()  # 创建绿色通道副本
green[:, :, [0, 2]] = 0  # 关闭红蓝通道（只保留绿色）
blue = image6.copy()  # 创建蓝色通道副本
blue[:, :, :2] = 0  # 关闭红绿通道（只保留蓝色）

fig, axes = plt.subplots(1, 3)  # 创建1行3列的子图布局
axes[0].imshow(red)  # 显示红色通道
axes[0].set_title('Red Channel')  # 设置子图标题
axes[1].imshow(green)  # 显示绿色通道
axes[1].set_title('Green Channel')  # 设置标题
axes[2].imshow(blue)  # 显示蓝色通道
axes[2].set_title('Blue Channel')  # 设置标题
plt.show()  # 显示最终的三通道分离图像

import matplotlib.pyplot as plt  # 再次导入matplotlib（代码复用）
from skimage import io  # 从skimage导入io模块
import numpy as np  # 导入numpy库

img = io.imread('earth.jpg')  # 读取earth.jpg图片

height, width, _ = img.shape  # 获取图像高度/宽度/通道数

stripe_width = 3  # 定义条纹宽度为3像素

new_img = np.zeros_like(img)  # 创建与原图相同形状的全零矩阵

for i in range(0, width, 3 * stripe_width):  # 按3倍条纹宽度循环
    new_img[:, i:i + stripe_width, 0] = img[:, i:i + stripe_width, 0]  # 复制原图红色通道到新图
    new_img[:, i + stripe_width:i + 2 * stripe_width, 1] = img[:, i + stripe_width:i + 2 * stripe_width, 1]  # 复制绿色通道
    new_img[:, i + 2 * stripe_width:i + 3 * stripe_width, 2] = img[:, i + 2 * stripe_width:i + 3 * stripe_width, 2]  # 复制蓝色通道
    new_img[:, i:i + stripe_width, 1] = img[:, i:i + stripe_width, 1] * 0.5  # 红色区域绿色通道透明度50%
    new_img[:, i:i + stripe_width, 2] = img[:, i:i + stripe_width, 2] * 0.5  # 红色区域蓝色通道透明度50%

mean_brightness = np.mean(new_img)  # 计算新图平均亮度
if mean_brightness < 128:  # 如果亮度低于128
    factor = 128 / mean_brightness if mean_brightness > 0 else 1  # 计算亮度补偿因子
    new_img = np.clip(new_img * factor, 0, 255).astype(np.uint8)  # 亮度标准化处理

plt.imshow(new_img)  # 显示最终图像
plt.axis('off')  # 关闭坐标轴
plt.show()  # 结束显示