使用PIL中的Image.point()方法操作像素数据

Question

我正在使用 Python 成像库 通过查找表对黑白图像进行着色，该查找表定义了颜色关系。查找表只是一个包含 256 个元素的 RGB 元组列表：

>>> len(colors)
256
>>> colors[0]
(255, 237, 237)
>>> colors[127]
(50, 196, 33)
>>> 

我的第一个版本使用 getpixel() 和 putpixel() 方法：

    for x in range(w):
        for y in range(h):
            pix = img.getpixel((x,y))
            img.putpixel((x,y), colors[pix[0]])

这非常慢。 profile 报告指出 putpixel 和 getpixel 方法是罪魁祸首。经过一番调查（即阅读文档），我发现“请注意，此方法相对较慢。”回复：putpixel。 （实际运行时间：对于 1024x1024 图像，putpixel 需要 53 秒，getpixel 需要 50 秒）

根据文档中的建议，我使用了 im .load() 并改为直接像素访问：

    pixels = img.load()
    for x in range(w):
        for y in range(h):
            pix = pixels[x, y]
            pixels[x, y] = colors[pix[0]]                

处理速度加快了一个数量级，但仍然慢：处理 1024x1024 图像大约需要 3.5 秒。

对 PIL 文档进行更彻底的研究似乎表明 Image.point() 正是用于此目的：

im.point(table) =>;图片

im.point(函数) =>图片

返回图像的副本，其中每个像素都已通过给定表进行映射。该表应包含图像中每个波段 256 个值。如果改用函数，则它应该采用单个参数。对于每个可能的像素值调用该函数一次，并将结果表应用于图像的所有波段。

我花了一些时间修改界面，但似乎不太正确。原谅我的无知，但是 PIL 的文档很简短，而且我没有太多的图像处理经验。我用谷歌搜索了一下，找到了一些例子，但没有什么能让我“点击”这个用法。因此，最后我的问题

• 是：Image.point() 是完成这项工作的正确工具吗？
• Image.point() 需要什么格式/结构的表格？
• 有人可以粗略地给出一个示例实现吗？到目前为止，我尝试过的每次迭代都以纯黑色图像结束。

Answer 1

Image.point() 是正确的工具吗
这份工作？

是的，确实，Image.point() 非常适合这项工作

什么格式/结构
Image.point() 需要表格吗？

您应该展平列表，而不是使用 [(12, 140, 10), (10, 100, 200), ...]：

[12, 140, 10, 10, 100, 200, ...]

这是我刚刚尝试过的一个简单示例：

im = im.point(range(256, 0, -1) * 3)

顺便说一下，如果您需要更多地控制颜色并且您觉得 Image.point 不适合您，您可以还可以使用 Image.getdata 和 Image.putdata 比 load 和 putpixel 更快地更改颜色。但它比 Image.point 慢。

Image.getdata 为您提供所有像素的列表，修改它们并使用 Image.putdata 将它们写回。就是这么简单。但首先尝试使用 Image.point 来实现。

---

编辑

我在第一个解释中犯了一个错误，现在我将正确解释：

颜色表实际上是这样的

[0, 1, 2, 3, 4, 5, ...255, 0, 1, 2, 3, ....255, 0, 1, 2, 3, ...255]

每个波段范围彼此相邻。
要将颜色 (0, 0, 0) 更改为 (10, 100, 10)，它需要变成这样：

[10, 1, 2, 3, 4, 5, ...255, 100, 1, 2, 3, ....255, 10, 1, 2, 3, ...255]

要将颜色列表转换为正确的格式，请尝试以下操作：

table = sum(zip(*colors), ())

我认为我的第一个示例应该为您演示格式。

Answer 2

我认为在逐个频段的基础上点可能更典型（直接从PIL 教程):

# split the image into individual bands
source = im.split()

R, G, B = 0, 1, 2

# select regions where red is less than 100
mask = source[R].point(lambda i: i < 100 and 255)

# process the green band
out = source[G].point(lambda i: i * 0.7)

# paste the processed band back, but only where red was < 100
source[G].paste(out, None, mask)

# build a new multiband image
im = Image.merge(im.mode, source)