python数字图像处理-图像的基本结构和基础知识
一、python实现BMP图像的读取和显示
BMP文件格式，又称为Bitmap（位图）或是DIB(Device-Independent Device，设备无关位图)，是Windows系统中广泛使用的图像文件格式。由于它可以不作任何变换地保存图像像素域的数据，因此成为我们取得RAW数据的重要来源。Windows的图形用户界面（graphical user interfaces）也在它的内建图像子系统GDI中对BMP格式提供了支持。
BMP文件的数据按照从文件头开始的先后顺序分为四个部分：
bmp文件头(bmp file header) ：提供文件的格式、大小等信息
位图信息头(bitmap information)：提供图像数据的尺寸、位平面数、压缩方式、颜色索引等信息
调色板(color palette)：可选，如使用索引来表示图像，调色板就是索引与其对应的颜色的映射表
位图数据(bitmap data)：就是图像数据
参考链接
二、python统计图像的直方图
图像直方图（英语：Image Histogram）是用以表示数字图像中亮度分布的直方图，标绘了图像中每个亮度值的像素数。可以借助观察该直方图了解需要如何调整亮度分布。这种直方图中，横坐标的左侧为纯黑、较暗的区域，而右侧为较亮、纯白的区域。因此，一张较暗图片的图像直方图中的数据多集中于左侧和中间部分；而整体明亮、只有少量阴影的图像则相反。
很多数码相机提供图像直方图功能，拍摄者可以通过观察图像直方图了解到当前图像是否过分曝光或者曝光不足。
计算机视觉领域常借助图像直方图来实现图像的二值化
参考链接
三、RGB、YIQ、HSI、XYZ颜色空间 YIQ
YIQ色彩空间通常被北美的电视系统所采用，属于NTSC（National Television Standards Committee）系统。这里Y不是指黄色，而是指颜色的明视度（Luminance），即亮度（Brightness）。其实Y就是图像的灰度值（Gray value），而I和Q则是指色调（Chrominance），即描述图像色彩及饱和度的属性。在YIQ系统中，Y分量代表图像的亮度信息，I、Q两个分量则携带颜色信息，I分量代表从橙色到青色的颜色变化，而Q分量则代表从紫色到黄绿色的颜色变化。
NTSC制为了进一步压缩色度带宽，用色差信号I,Q来代替U,V。若采用U,V色差信号，则色度、亮度信号的共频带部分极大，低端不共频带的亮度信号带宽很小，亮、色干扰大。将彩色图像从RGB转换到YIQ色彩空间，可以把彩色图像中的亮度信息与色度信息分开，分别独立进行处理。
RGB和YIQ的对应关系用下面的方程式表示：
Y=0.299R+0.587G+0.114B
I=0.596R-0.274G-0.322B
Q=0.211R-0.523G+0.312B
HSI
HSI颜色模型的双六棱锥表示，I是强度轴，色调H的角度范围为[0，2π]，其中，纯红色的角度为0，纯绿色的角度为2π/3，纯蓝色的角度为4π/3。饱和度S是颜色空间任一点距I轴的距离。当然，若用圆表示RGB模型的投影，则HSI色度空间为双圆锥3D表示。
注意： 当强度I=0时，色调H、饱和度S无定义；当S=0时，色调H无定义。
HSI模型也可用圆柱来表示，如图9-5所示。若将其展开，并按图9-6进行定义，可得到HSI调色板。
XYZ
国际照明委员会(CIE)在进行了大量正常人视觉测量和统计,1931年建立了”标准色度观察者”， 从而奠定了现代CIE标准色度学的定量基础。由于”标准色度观察者”用来标定光谱色时出现负 刺激值，计算不便，也不易理解，因此1931年CIE在RGB系统基础上，改用三个假想的原色X、Y、 Z建立了一个新的色度系统。将它匹配等能光谱的三刺激值，定名为”CIE1931 标准色度观察者 光谱三刺激值”，简称为”CIE1931标准色度观察者”。这一系统叫做”CIE1931标准色度系统”或称为” 2° 视场XYZ色度系统”。CIEXYZ颜色空间稍加变换就可得到Yxy色彩空间，其中Y取三刺激值中Y的值， 表示亮度，x、y反映颜色的色度特性。定义如下：在色彩管理中，选择与设备无关的颜色空间是 十分重要的，与设备无关的颜色空间由国际照明委员会(CIE)制定，包括CIEXYZ和CIELAB两个标准。 它们包含了人眼所能辨别的全部颜色。而且，CIEYxy测色制的建立给定量的确定颜色创造了条件。 但是，在这一空间中，两种不同颜色之间的距离值并不能正确地反映人们色彩感觉差别的大小， 也就是说在CIEYxy色厦图中，在 不同的位置不同方向上颜色的宽容量是不同的，这就是Yxy颜色空间 的不均匀性。这一缺陷的存在，使得在Yxy及XYZ空间不能直观地评价颜色。
四、python代码实现
#encoding: utf-8
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt
import math
def show_bmp(img):
# BMP 的读取与显示
plt.figure("LenaRGB.bmp")
plt.title("LenaRGB.bmp")
plt.imshow(img)
plt.show()
def show_hist(img):
# 直方图
plt.figure("Lena hist")
plt.title('Lena hist figure')
arr = img.flatten()
n, bins, patches = plt.hist(arr, bins=256, normed=1, facecolor='green', alpha=0.75)
plt.show()
def show_rgb(img):
# 显示RGB图像
plt.subplot(221)
plt.title('orignal')
plt.imshow(img)
plt.subplot(222)
plt.title('R')
plt.imshow(img[:, :, 0], cmap='gray')
plt.subplot(223)
plt.title('G')
plt.imshow(img[:, :, 1], cmap='gray')
plt.subplot(224)
plt.title('B')
plt.imshow(img[:, :, 2], cmap='gray')
plt.show()
def shou_yiq(img):
# 显示YIQ分量
R = np.mat(img[:, :, 0])
G = np.mat(img[:, :, 1])
B = np.mat(img[:, :, 2])
# aH = np.array([(0.299, 0.587, 0.114),
# (0.596, -0.274, -0.322),
# (0.211, -0.523, 0.312)])
Y = 0.299 * R + 0.587 * G + 0.114 * B
I = 0.596 * R - 0.274 * G - 0.322 * B
Q = 0.211 * R - 0.523 * G - 0.312 * B
plt.subplot(221)
plt.title('orignal')
plt.imshow(img)
plt.subplot(222)
plt.title('Y')
plt.imshow(Y, cmap='gray')
plt.subplot(223)
plt.title('I')
plt.imshow(I, cmap='gray')
plt.subplot(224)
plt.title('Q')
plt.imshow(Q, cmap='gray')
plt.show()
# YIQ =
def show_xyz(img):
# 显示YIQ分量
R = np.mat(img[:, :, 0])
G = np.mat(img[:, :, 1])
B = np.mat(img[:, :, 2])
# aH = np.array([(0.299, 0.587, 0.114),
# (0.596, -0.274, -0.322),
# (0.211, -0.523, 0.312)])
X = 0.490 * R + 0.310 * G + 0.200 * B
Y = 0.177 * R + 0.813 * G + 0.011 * B
Z = 0.000 * R + 0.010 * G + 0.990 * B
plt.subplot(221)
plt.title('orignal')
plt.imshow(img)
plt.subplot(222)
plt.title('X')
plt.imshow(X, cmap='gray')
plt.subplot(223)
plt.title('Y')
plt.imshow(Y, cmap='gray')
plt.subplot(224)
plt.title('Z')
plt.imshow(Z, cmap='gray')
plt.show()
def show_hsi(img):
rows, cols, dims = img.shape
R = np.mat(img[:, :, 0])
G = np.mat(img[:, :, 1])
B = np.mat(img[:, :, 2])
I = (R + G + B) / 3
E = np.mat(np.ones([rows, cols]))
minRGB = np.mat(img.min(2))
lv = 3 * E / (R + G + B)
S = E - np.multiply(lv, minRGB)
# S = np.mat(np.zeros([rows, cols]))
# for i in range(rows):
# for j in range(cols):
# S[i, j] = 1 - 3/(R[i, j] + G[i, j] + B[i, j]) * min([R[i, j], G[i, j], B[i, j]])
H = np.mat(np.zeros([rows, cols]))
for i in range(rows):
for j in range(cols):
up = (R[i, j] - G[i, j] + R[i, j] - B[i, j]) / 2
down = (R[i, j] - G[i, j])**2 + (R[i, j] - B[i, j]) * (G[i, j] - B[i, j])**0.5
H[i, j] = math.acos(up / down)
plt.subplot(221)
plt.title('orignal')
plt.imshow(img)
plt.subplot(222)
plt.title('I')
plt.imshow(I, cmap='gray')
plt.subplot(223)
plt.title('S')
plt.imshow(S, cmap='gray')
plt.subplot(224)
plt.title('H')
plt.imshow(H, cmap='gray')
plt.show()
def main():
img = np.array(Image.open('/home/sun/Desktop/PycharmProjects/Digital_image_process_lxk/lab1/LenaRGB.bmp'))
rows, cols, dims = img.shape
print img.shape
print img.dtype
print img.size
print type(img)
# show_bmp(img)
# show_hist(img)
# show_rgb(img)
# shou_yiq(img)
# show_hsi(img)
# show_xyz(img)
if __name__ == '__main__':
main()