# basic-processing

**Repository Path**: enginx321/basic-processing

## Basic Information

- **Project Name**: basic-processing
- **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

# 数字图像处理实验一：图像基础操作

#### 环境要求
1. 在Linux下安装Jupyter Lab
2. 把项目克隆到Jupyter Lab
3. Python库依赖
pip install Pillow==9.5.0      # 图像处理核心库（PIL的现代分支）
pip install matplotlib==3.7.2 # 图像可视化
pip install numpy==1.24.3     # 数组操作加速（用于条纹效果处理）
pip install scikit-image==0.21.0  # 高级图像处理（代码中导入但未实际使用）

#### 文件说明
1. x.jpg
2. galaxy-full.jpg
3. earth.jpg

#### 代码示例说明

1.  图像上半部分处理
from PIL import Image
from skimage import io  # 从名为'skimage'的库中导入'io'模块，这个模块通常用于读取图像
import matplotlib.pyplot as plt  
image = Image.open('x.jpg') # 打开图片
image = image.convert('RGB') # 将图片转换为RGB模式

width, height = image.size# 获取图片的宽度和高度
for x in range(width):# 遍历上半部分的像素
    for y in range(height // 2):
        r, g, b = image.getpixel((x, y))
        # 如果像素接近黑色（可以根据需要调整阈值）
        if r < 50 and g < 50 and b < 50:
            # 将黑色像素改为红色
            image.putpixel((x, y), (255, 0, 0))

plt.imshow(image)  # 使用'imshow'函数显示图像# 保存修改后的图片
plt.show()  # 显示绘制的图像   

2.  图像左半部分处理
from PIL import Image
from skimage import io  # 从名为'skimage'的库中导入'io'模块，这个模块通常用于读取图像
import matplotlib.pyplot as plt  # 

image = Image.open('x.jpg')# 打开图片

image = image.convert('RGB') # 将图片转换为RGB模式

width, height = image.size # 获取图片的宽度和高度

for x in range(width // 2): # 遍历左半部分的像素
    for y in range(height):
        r, g, b = image.getpixel((x, y))
        # 如果像素接近黑色（可以根据需要调整阈值）
        if r < 50 and g < 50 and b < 50:
            # 将黑色像素改为红色
            image.putpixel((x, y), (255, 0, 0))

plt.imshow(image)  # 使用'imshow'函数显示图像
plt.show()  # 显示绘制的图像

3.  图像左上四分之一处理
from PIL import Image
from skimage import io  # 从名为'skimage'的库中导入'io'模块，这个模块通常用于读取图像
import matplotlib.pyplot as plt  # 

image = Image.open('x.jpg') # 打开图片

image = image.convert('RGB') # 将图片转换为RGB模式

width, height = image.size # 获取图片的宽度和高度

for x in range(width // 2): # 遍历左上四分之一的像素
    for y in range(height // 2):
        r, g, b = image.getpixel((x, y))
        # 如果像素接近黑色（可以根据需要调整阈值）
        if r < 50 and g < 50 and b < 50:
            # 将黑色像素改为红色
            image.putpixel((x, y), (255, 0, 0))

plt.imshow(image)  # 使用'imshow'函数显示图像
plt.show()  # 显示绘制的图像
4.  小区域像素处理
import matplotlib.pyplot as plt
import numpy as np
from PIL import Image

img = Image.open('x.jpg') # 打开图像文件
pixels = np.array(img)

height, width, _ = pixels.shape# 获取图像的尺寸

center_x, center_y = width // 2, height // 2 # 将正中间的黑色像素改为红色，白色像素不变
for i in range(center_y - height // 4, center_y + height // 4):
    for j in range(center_x - width // 4, center_x + width // 4):
        if np.array_equal(pixels[i, j], [0, 0, 0]):  # 黑色
            pixels[i, j] = [255, 0, 0]  # 红色
        elif np.array_equal(pixels[i, j], [255, 255, 255]):  # 白色
            pixels[i, j] = [255, 255, 255]  # 保持不变

img = Image.fromarray(pixels) # 转换回Image对象

plt.imshow(img)
plt.show()

5.  指定区域像素处理
from PIL import Image
from skimage import io  # 从名为'skimage'的库中导入'io'模块，这个模块通常用于读取图像
import matplotlib.pyplot as plt  # 

image = Image.open('x.jpg') # 打开图片

image = image.convert('RGB') # 将图片转换为RGB模式

width, height = image.size # 获取图片的宽度和高度

start_x = (width - 8) // 2 # 计算中间正方形的起始和结束坐标
start_y = (height - 8) // 2
end_x = start_x + 8
end_y = start_y + 8

for x in range(start_x, end_x): # 遍历中间正方形的像素
    for y in range(start_y, end_y):
        r, g, b = image.getpixel((x, y))
        # 如果像素接近黑色（可以根据需要调整阈值）
        if r < 50 and g < 50 and b < 50:
            # 将黑色像素改为绿色
            image.putpixel((x, y), (0, 255, 0))
        # 如果像素接近白色（可以根据需要调整阈值）
        elif r > 200 and g > 200 and b > 200:
            # 将白色像素改为黄色
            image.putpixel((x, y), (255, 255, 0))

plt.imshow(image)  # 使用'imshow'函数显示图像
plt.show()  # 显示绘制的图像

6.  星系图像红色通道处理
from PIL import Image
import matplotlib.pyplot as plt

image = Image.open('galaxy-full.jpg') # 打开原始图像

r, g, b = image.split() # 分离图像的通道，得到R、G、B三个通道的图像

new_image = Image.merge("RGB", (r, Image.new("L", r.size, 0), Image.new("L", r.size, 0))) # 创建一个新的图像，只保留红色通道，绿色和蓝色通道设为0

plt.imshow(new_image)
plt.show()

7.  星系图像绿色通道处理
from PIL import Image
import matplotlib.pyplot as plt

image = Image.open('galaxy-full.jpg') # 打开图像文件

r, g, b = image.split() # 分离图像的通道

green_image = Image.merge("RGB", (Image.new("L", g.size, 0), g, Image.new("L", g.size, 0))) # 创建仅包含绿色通道的图像，红色和蓝色通道设为0

plt.imshow(green_image)
plt.show()

8.  星系图像蓝色通道处理
from PIL import Image
import matplotlib.pyplot as plt

img = Image.open('galaxy-full.jpg') # 打开图像

r, g, b = img.split()# 分离通道

blue_img = Image.merge('RGB', (Image.new('L', b.size, 0), Image.new('L', b.size, 0), b)) # 创建仅包含蓝色通道的图像，红色和绿色通道设为0

plt.imshow(blue_img) # 可视化蓝色通道图片
plt.show()

9.  条纹效果处理
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt

img = Image.open('earth.jpg') # 打开图像
img_array = np.array(img) # 将图像转换为numpy数组

height, width, _ = img_array.shape # 获取图像的高度和宽度
colors = [[0, 0, 255], [0, 255, 0], [255, 0, 0], [255, 255, 0], [0, 255, 255], [255, 0, 255]] # 定义颜色列表，包含蓝、绿、红等色调

for x in range(width):  # 进行密集竖直条纹效果处理
    color_index = x % len(colors)  # 根据x坐标选择颜色
    for y in range(height):
        # 以一定的透明度叠加条纹颜色，产生故障效果
        alpha = 0.5  # 透明度，可调整
        new_color = [int(img_array[y, x, i] * (1 - alpha) + colors[color_index][i] * alpha) for i in range(3)]
        img_array[y, x] = new_color

new_img = Image.fromarray(img_array)  # 将处理后的numpy数组转换回图像

plt.figure(figsize=(15, 15))
plt.imshow(new_img)
plt.show()
   
#### 使用方法

1. 环境准备：
安装依赖库、下载测试文件（`x.jpg`、`galaxy-full.jpg`、`earth.jpg`）并放置于代码同级目录。

2.调整参数：
修改颜色阈值（如`r < 50`改为`r < 100`）。
修改处理区域（如左半部分改为右半部分）。
调整条纹效果透明度或颜色列表。

#### 学习要点

1. 图像基础操作
像素遍历：掌握如何遍历图像的指定区域（如上半部分、左半部分、中心区域）。
颜色替换：理解RGB颜色模型，学会根据阈值替换特定颜色（如黑色→红色）。
区域裁剪：通过坐标计算实现局部区域处理（如中心8x8区域）。
2. 颜色空间与通道分离
RGB模型：理解红、绿、蓝三通道的分离与合并。
单通道可视化：学会提取并显示单一颜色通道（如仅显示红色通道）。
颜色空间转换：了解HSV/HSL等颜色空间的应用场景（如亮度判断）。
3. 图像处理优化
性能优化：对比逐像素操作与NumPy数组操作的效率差异。
向量化操作：使用NumPy实现批量像素处理，提升运行速度。
代码复用：封装通用函数（如区域处理、颜色替换）以提高代码可维护性。
4. 特效生成
故障艺术效果：通过颜色混合和透明度控制生成条纹故障效果。
动态参数调整：理解如何通过调整参数（如透明度、颜色列表）优化特效效果。
5. 工具与库的使用
Pillow库：掌握图像读取、转换、保存等基础操作。
Matplotlib：学会图像可视化与显示。
NumPy：理解数组操作在图像处理中的应用（如像素批量处理）。