1. 实验目的

①了解数字图像基本属性；

②掌握Pillow图像处理库的基本操作。

2. 实验内容

①使用Pillow库对图像进行图像色彩模式转换、颜色通道的分离与合并、转化为数组、缩放、旋转、镜像和裁剪等操作；

②将图像转化为多维数组；

③下载MNIST数据集，访问并以图片形式显示数据集中的样本。

3. 实验过程

题目一：

下载lena.tiff图像，将R、G、B三通道分离，采用灰度图表示颜色的亮度，并分别对各个通道按要求进行处理。

要求：

(1)将R通道的图像缩小为50×50，显示在子图1中，子标题为:“R-缩放”，字体大小为14；

(2)将G通道的图像先水平镜像，再顺时针旋转90度，显示在子图2中，子标题为:“G-镜像+旋转”，字体大小为14，并显示坐标轴；

(3)对B通道的图像进行裁剪，裁剪位置：左上角(0, 0) 右下角(300,300)，显示在子图3中，子标题为:“B-裁剪”，字体大小为14；

(4)将原始的R、G、B通道的图像合并，显示在子图4中，子标题显示图像的色彩模式，字体大小为14；

(5)将要求(4)的处理结果保存为PNG格式的图片，路径为当前工作目录，文件名为“test.png”，如图1所示；

(6)将以上生成的4幅图像显示在2×2的画布中，全局标题为“图像基本操作”，标题字体大小为20，颜色为蓝色，如图2所示。

图1 图像保存

图2 图像显示

① 代码

from PIL import Imageimport matplotlib.pyplot as pltplt.rcParams['font.sans-serif'] = 'SimHei'plt.rcParams['axes.unicode_minus'] = False ## 设置正常显示符号img = Image.open("lena.tiff")img_r,img_g,img_b = img.split() #将彩色图像分离为R,G,B三个颜色通道。plt.figure(figsize=(5,5))   #整体画布大小5*5# (1)将R通道的图像缩小为50×50，显示在子图1中，子标题为:“R-缩放”，字体大小为14；plt.subplot(221)   #两行两列第1个图plt.axis("off")      #不显示坐标轴img_small = img_r.resize((50,50)) #缩放50*50plt.imshow(img_small,cmap="gray")   #灰度图plt.title("R-缩放",fontsize = 14)# (2)将G通道的图像先水平镜像，再顺时针旋转90度，显示在子图2中，子标题为:“G-镜像+旋转”，字体大小为14，并显示坐标轴；plt.subplot(222)plt.axis('on')#显示坐标轴img_gr = img_g.transpose(Image.ROTATE_270)#逆时针270 = 顺时针90plt.imshow(img_gr,cmap="gray")plt.title("G--镜像+旋转",fontsize = 14)# (3)对B通道的图像进行裁剪，裁剪位置：左上角(0, 0) 右下角(150, 150)，显示在子图3中，子标题为:“B-裁剪”，字体大小为14；plt.subplot(223)img_region = img_b.crop((0,0,150,150))plt.imshow(img_region)plt.title("B-裁剪",fontsize = 14)# (4)将原始的R、G、B通道的图像合并，显示在子图4中，子标题显示图像的色彩模式，字体大小为14；img_rgb = Image.merge("RGB",[img_r,img_g,img_b])  #将所有通道合并，得到BGR彩色图像plt.subplot(224)plt.axis("off")plt.imshow(img_rgb)plt.title("rgb",fontsize = 14)# (5)将要求(4)的处理结果保存为PNG格式的图片，路径为当前工作目录，文件名为“test.png”，如图2所示；img_rgb.save('test.png')#(6)将以上生成的4幅图像显示在2×2的画布中，全局标题为“图像基本操作”，标题字体大小为20，颜色为蓝色。plt.suptitle("图像基本操作",fontsize = 20,color = 'b')plt.show()

② 实验结果

题目二：

按下列要求完成程序，随机显示MNIST数据集中的样本，效果如下图所示。

要求：

(1)下载手写数字数据集，读取训练集和测试集数据，放在NumPy数组train_x、train_y、test_x、test_y中；（train_x：训练集图像，train_y：训练集标签，test_x：测试集图像，test_y：测试集标签）

(2)随机从所有测试集数据中显示16幅数字图像；

(3)16幅图像按照4×4方式排列在一张画布中，每幅图像的子标题为该图像的标签值，字体大小为14，全局标题为“MNIST测试集样本”，字体大小为20，颜色为红色。

① 代码

# (1)下载手写数字数据集，读取训练集和测试集数据，放在NumPy数组train_x、train_y、test_x、test_y中；（train_x：训练集图像，train_y：训练集标签，test_x：测试集图像，test_y：测试集标签）# (2)随机从所有测试集数据中显示16幅数字图像；# (3)16幅图像按照4×4方式排列在一张画布中，每幅图像的子标题为该图像的标签值，字体大小为14，全局标题为“MNIST测试集样本”，字体大小为20，颜色为红色。import tensorflow as tfimport numpy as npimport matplotlib.pyplot as pltplt.rcParams['font.sans-serif'] = 'SimHei'  #防止中文乱码plt.rcParams['axes.unicode_minus'] = False #设置正常显示符号mnist = tf.keras.datasets.mnist(train_x,train_y),(test_x,test_y) = mnist.load_data()plt.suptitle("MNIST测试集样本",fontsize = 20,color = 'r')   #总标题for i in range(16):num = np.random.randint(1,50000)plt.subplot(4,4,i+1)plt.axis("off")    #不显示坐标轴plt.imshow(train_x[num])plt.title("标签值："+str(train_y[num]))   #train_y[num]是手写数字值plt.show()# print(train_x[0])# print(train_y[0])