1.安装PIL，skimage库

1.1导入skimage库中的oi模块和data模块

io模块提供了用于读取和保存图像的函数，而data模块包含了一些实力图像供我们使用

from skimage import io,data

2.读取图像文件

2.1读取图像文件

使用io.Imread函数读取该图片，并加载到名为img的变量中。

img=io.imread(r"C:\Users\song\Desktop\1.jpg")
io.imshow(img)
io.show()

运行结果：

2.2 以灰度模式读取图像

使用io.Imread函数以灰度模式读取该图片，并加载到名为img的变量中。

img=io.imread(r"C:\Users\song\Desktop\1.jpg",as_gray=True)
io.imshow(img)

运行结果：

2.3 查看示例图像的目录路径

data_dir 是 skimage 库中的一个变量，它存储了示例图像的目录路径。通常情况下，这个路径指向 skimage 库内部的示例图像文件夹。这个文件夹包含了一些常用的示例图像，供用户在实验和测试时使用。

from skimage import data_dir
print(data_dir)

运行结果：

2.4 读取chelsea图片

使用了skimage 库中的data 和idata dir 、模块。首先，通过data.chelsea()方法读取了 Lena 图片，然后通过io.imread()方法结合datadir 路径读取了同样的 Lena 图片。这两种方法都用于加载 Lena 图片，只是一种是直接通过 data 模块获取示例图片，另一种是通过拼接路径的方式获取示例图片。

from skimage import data_dir,data,io
img1=data.chelsea() # 读取chelsea图片
img2=io.imread(data_dir+'/chelsea.png') # 读取chelsea图片

2.5 加载示例图片并保存

使用skimage库中的io.save()函数将加载的示例图像img保存到指定路径（imsave()函数会将图像以PNG格式保存到指定路径）
io.show()函数显示先前用io.imshow()加载的图像

from skimage import io,data
img=data.chelsea()
io.imshow(img)
io.show()
io.imsave(r"E:\工坊\chelsea.png",img)

运行结果：

2.6 获得加载图片的信息

用于获取图片的属性和统计信息

from skimage import io,data
img=data.chelsea()
io.imshow(img)

2.6.1 输出图片类型

输出<class ‘numpy.ndarray’>

print(type(img)) # 显示类型

运行结果：

2.6.2 输出图片尺寸

示例图像：（高度，宽度，通道数）
彩色图像：3（红、绿、蓝）

print(img.shape) # 显示尺寸

运行结果：
(300,451,3)

2.6.3 输出图片宽度

print(img.shape[0]) # 图片宽度

运行结果：
300

2.6.4 输出图片高度

print(img.shape[1]) # 图片高度

运行结果：
451

2.6.5 输出图片通道数

print(img.shape[2]) # 图片通道数

运行结果：
3

2.6.6 输出图片总像素个数

即宽度乘通道数

print(img.size) # 显示总像素个数

运行结果：
405900

2.6.7 输出图片最大像素值

print(img.max()) # 显示最大像素值

运行结果：
231

2.6.8 输出图片最小像素值

print(img.min()) # 显示最小像素值

运行结果：
0

2.6.9 输出图片所有像素值平均值

print(img.mean()) #显示像素平均值

运行结果：
115.30514166050752

3.使用切片操作提取通道

在numpy数组中，索引[0]表示红色通道，索引[1]表示绿色通道，索引[2]表示蓝色通道

3.1提取红色通道

red_channel = img[:, :, 0]
io.imshow(red_channel)
io.show()

运行结果：

3.2提取绿色通道

green_channel = img[:, :, 1]
io.imshow(green_channel)
io.show()

运行结果：

3.3提取蓝色通道

blue_channel = img[:, :, 2]
io.imshow(blue_channel)
io.show()

运行结果：

4.给图片添加椒盐噪声

4.1提升图像维度

rows代表行数，cols代表列数字，dims代表颜色通道数

rows,cols,dims=img.shape

4.2 添加随机噪声

对加载的图片进行随机位置(x,y)设置为白色的操作。

for i in range(5000): #循环5000次x = np.random.randint(0,rows) y = np.random.randint(0,cols)img[x,y,:]=255

4.3显示修改后的图像

io.imshow(img)

运行结果：

5. 给图片去掉椒盐噪声

5.1高斯模糊

import cv2# 读取图像
image = cv2.imread(r"C:\Users\song\Desktop\2.jpg")# 高斯模糊
blurred_image = cv2.GaussianBlur(image, (5, 5), 0)# 显示处理后的图像
cv2.imshow('Blurred Image', blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果：

5.3 中值滤波

import cv2# 读取图像
image = cv2.imread(r"C:\Users\song\Desktop\2.jpg")# 中值滤波
blurred_image = cv2.medianBlur(image, 5)# 显示处理后的图像
cv2.imshow("Median Blurred Image", blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果：

5.2图像切片

加载图像

from skimage import io, data
img = io.imread(r"C:\Users\song\Desktop\3.jpg")
io.imshow(img)

运行结果：

显示图像指定区域

from skimage import io,data
img = io.imread(r"C:\Users\song\Desktop\3.jpg")
song = img[300:600,130:350,:]
io.imshow(song)

运行结果：

5.3特定区域像素值

5.3.1计算特定区域像素值

通过两层循环遍历图像的每个像素位置，计算[:100, :50]内像素值的总和。

height, width = img.shape[0], img.shape[1]
for i in range(height):for j in range(width):region_sum = img[:100, :50].sum()print(region_sum)  

运行结果：

6.二值化图像

6.1导入color模块

color模块

from skimage import color

6.2读取图像 转成灰度

img_gray=color.rgb2gray(img)
rows,cols=img_gray.shape

6.3遍历循环

for i in range(rows):
for j in range(cols):if (img_gray[i,j]<=0.5):img_gray[i,j]=0else:img_gray[i,j]=1
io.imshow(img_gray)

运行结果：

7.改变通道值

7.1 [0, 255, 0]

找到原始图像中红色通道数大于170的像素，并将这些像素的颜色修改成绿色。

from skimage import color
img = io.imread(r"C:\Users\song\Desktop\1.jpg")
reddish = img[:, :, 0] >170
img[reddish] = [0, 255, 0]
io.imshow(img)

运行结果：

7.2 [6, 25, 60]

找到原始图像中红色通道数大于170的像素，并将这些像素的颜色修改成深蓝色。
运行结果：

7.3 [25, 25, 25]

找到原始图像中红色通道数大于170的像素，并将这些像素的颜色修改成灰色。
运行结果：

8. 图像归一化

8.1导入模块

从skimage库中导入io和color模块，同时从matplotlib.pyplot中导入plt模块

from skimage import io, color
import matplotlib.pyplot as plt

8.2RGB图像转灰度图像

img = io.imread(r"C:\Users\song\Desktop\1.jpg")
gray = color.rgb2gray(img)

8.3计算灰度图像的最小值和最大值

mn = gray.min()
mx = gray.max()
norm = (gray - mn) / (mx - mn)

8.4打印图像

print('归一化前：')
print(gray)
print('归一化后：')
print(norm)

8.5创建两个子图

分别显示归一化前和归一化后的灰度图像
运行结果：