1. 简介。
图像处理是一门应用非常广的技术，而拥有非常丰富第三方扩展库的 Python 当然不会错过这一门盛宴。PIL （Python Imaging Library）是 Python 中最常用的图像处理库，目前版本为 1.1.7，我们可以 在这里 下载学习和查找资料。
Image 类是 PIL 库中一个非常重要的类，通过这个类来创建实例可以有直接载入图像文件，读取处理过的图像和通过抓取的方法得到的图像这三种方法。
2. 使用。
导入 Image 模块。然后通过 Image 类中的 open 方法即可载入一个图像文件。如果载入文件失败，则会引起一个 IOError ；若无返回错误，则 open 函数返回一个 Image 对象。现在，我们可以通过一些对象属性来检查文件内容，即：
1 >>> import Image2 >>> im = Image.open(j.jpg)3 >>> print im.format, im.size, im.mode4 JPEG (440, 330) RGB
这里有三个属性，我们逐一了解。
format : 识别图像的源格式，如果该文件不是从文件中读取的，则被置为 None 值。
size : 返回的一个元组，有两个元素，其值为象素意义上的宽和高。
mode : RGB（true color image），此外还有，L（luminance），CMTK（pre-press image）。
现在，我们可以使用一些在 Image 类中定义的方法来操作已读取的图像实例。比如，显示最新载入的图像：
1 >>>im.show()2 >>>
输出原图：
3. 函数概貌。
3.1 Reading and Writing Images : open( infilename ) , save( outfilename )
3.2 Cutting and Pasting and Merging Images :
crop() : 从图像中提取出某个矩形大小的图像。它接收一个四元素的元组作为参数，各元素为（left, upper, right, lower），坐标系统的原点（0, 0）是左上角。
paste() :
merge() :
1 >>> box = (100, 100, 200, 200)2 >>> region = im.crop(box)3 >>> region.show()4 >>> region = region.transpose(Image.ROTATE_180)5 >>> region.show()6 >>> im.paste(region, box)7 >>> im.show()
其效果图为：
旋转一幅图片：
1 def roll(image, delta):2 Roll an image sideways34 xsize, ysize = image.size56 delta = delta % xsize7 if delta == 0: return image89 part1 = image.crop((0, 0, delta, ysize))10 part2 = image.crop((delta, 0, xsize, ysize))11 image.paste(part2, (0, 0, xsize-delta, ysize))12 image.paste(part1, (xsize-delta, 0, xsize, ysize))1314 return image
3.3 几何变换。
3.3.1 简单的几何变换。
1 >>>out = im.resize((128, 128)) #2 >>>out = im.rotate(45) #逆时针旋转 45 度角。3 >>>out = im.transpose(Image.FLIP_LEFT_RIGHT) #左右对换。4 >>>out = im.transpose(Image.FLIP_TOP_BOTTOM) #上下对换。5 >>>out = im.transpose(Image.ROTATE_90) #旋转 90 度角。6 >>>out = im.transpose(Image.ROTATE_180) #旋转 180 度角。7 >>>out = im.transpose(Image.ROTATE_270) #旋转 270 度角。
各个调整之后的图像为：
图片1：
图片2：
图片3：
图片4：
3.3.2 色彩空间变换。
convert() : 该函数可以用来将图像转换为不同色彩模式。
3.3.3 图像增强。
Filters : 在 ImageFilter 模块中可以使用 filter 函数来使用模块中一系列预定义的增强滤镜。
1 >>> import ImageFilter2 >>> imfilter = im.filter(ImageFilter.DETAIL)3 >>> imfilter.show()
3.4 序列图像。
即我们常见到的动态图，最常见的后缀为 .gif ，另外还有 FLI / FLC 。PIL 库对这种动画格式图也提供了一些基本的支持。当我们打开这类图像文件时，PIL 自动载入图像的第一帧。我们可以使用 seek 和 tell 方法在各帧之间移动。
1 import Image2 im.seek(1) # skip to the second frame34 try:5 while 1:6 im.seek( im.tell() + 1)7 # do something to im8 except EOFError:9 pass
3.5 更多关于图像文件的读取。
最基本的方式：im = Image.open(filename)
类文件读取：fp = open(filename, rb); im = Image.open(fp)
字符串数据读取：import StringIO; im = Image.open(StringIO.StringIO(buffer))
从归档文件读取：import TarIO; fp = TarIo.TarIO(Image.tar, Image/test/lena.ppm); im = Image.open(fp)
基本的 PIL 目前就练习到这里。其他函数的功能可点击 这里 进一步阅读。
首先，先定位好问题是属于图像识别任务中的哪一类，最好上传一张植物叶子的图片。因为目前基于深度学习的卷积神经网络（CNN）确实在图像识别任务中取得很好的效果，深度学习属于机器学习，其研究的范式，或者说处理图像的步骤大体上是一致的。1、第一步，准备好数据集，这里是指，需要知道输入、输出（视任务而定，针对你这个问题，建议使用有监督模型）是什么。你可以准备一个文件夹，里面存放好植物叶子的图像，而每张图像对应一个标签（有病/没病，或者是多类别标签，可能具体到哪一种病）。具体实现中，会将数据集分为三个：训练集（计算模型参数）、验证集（调参，这个经常可以不需要实现划分，在python中可以用scikit-learn中的函数解决。测试集用于验证模型的效果，与前面两个的区别是，模型使用训练集和验证集时，是同时使用了输入数据和标签，而在测试阶段，模型是用输入+模型参数，得到的预测与真实标签进行对比，进而评估效果。2、确定图像识别的任务是什么？图像识别的任务可以分为四个：图像分类、目标检测、语义分割、实例分割，有时候是几个任务的结合。图像分类是指以图像为输入，输出对该图像内容分类的描述，可以是多分类问题，比如猫狗识别。通过足够的训练数据（猫和狗的照片-标签，当然现在也有一系列的方法可以做小样本训练，这是细节了，这里并不敞开讲），让计算机/模型输出这张图片是猫或者狗，及其概率。当然，如果你的训练数据还有其它动物，也是可以的，那就是图像多分类问题。目标检测指将图像或者视频中的目标与不感兴趣的部分区分开，判断是否存在目标，并确定目标的具体位置。比如，想要确定这只狗所佩戴的眼睛的位置，输入一张图片，输出眼睛的位置（可视化后可以讲目标区域框出来）。看到这里，应该想想植物叶子诊断疾病的问题，只需要输入一整张植物叶子的图片，输出是哪种疾病，还是需要先提取叶子上某些感兴趣区域（可能是病变区域），在用病变区域的特征，对应到具体的疾病？语义分割是当今计算机视觉领域的关键问题之一，宏观上看，语义分割是一项高层次的任务。其目的是以一些原始图像作为输入，输出具有突出显示的感兴趣的掩膜，其实质上是实现了像素级分类。对于输入图片，输出其舌头区域（注意可以是不规则的，甚至不连续的）。而实例分割，可以说是在语义分割的基础上，在像素层面给出属于每个实例的像素。看到这里，可以具体思考下自己的问题是对应其中的哪一类问题，或者是需要几种任务的结合。3、实际操作可以先通过一个简单的例子入手，先了解构建这一个框架需要准备什么。手写数字识别可以说是深度学习的入门数据集，其任务也经常作为该领域入门的案例，也可以自己在网上寻找。
