### 使用NumPy实现图像的颜色处理 #### 转换为灰度图像 可以通过计算 RGB 值的加权平均值将彩色图像转换为灰度图像。以下是具体代码示例： ```python import numpy as np import matplotlib.pylab as plt image = plt.imread("src/pics-old/guv0.png") rgb_weights = [0.2989, 0.5870, 0.1140] grayscale_image = np.dot(image[..., :3], rgb_weights) plt.imshow(grayscale_image, cmap='gray') plt.axis('off') # 关闭坐标轴 plt.show() ``` 上述方法利用了 NumPy 的 `np.dot` 函数，按照标准的 RGB 权重[^1]。 --- #### 彩色图像反转 对于彩色图像的像素值反转操作，可以使用以下方式完成： ```python import numpy as np import matplotlib.pyplot as plt img = plt.imread("example.jpg") # 加载图像 img_color = np.array(img) # 获取图像尺寸 width, height, _ = img_color.shape # 创建一个全白背景的新图像 (255 表示白色) img_new_1 = np.ones((width, height, 3)) img_256_1 = img_new_1 * 255 # 计算反转后的图像 color_invert = img_256_1 - img_color[:, :, :] plt.figure(figsize=(10, 5)) # 显示原始图像 plt.subplot(1, 2, 1) plt.title("Original Color Image") plt.imshow(img_color) plt.axis('off') # 显示反转后的图像 plt.subplot(1, 2, 2) plt.title("Inverted Color Image") plt.imshow(color_invert / 255) # 将数值范围调整到 [0, 1] plt.axis('off') plt.tight_layout() plt.show() ``` 该过程通过逐像素地从最大亮度值（即 255）中减去当前像素值来实现颜色反转[^2]。 --- #### 修改透明度 如果需要修改图像的透明度（Alpha 通道），则可以针对 RGBA 图像进行如下操作： ```python from PIL import Image import numpy as np # 打开RGBA模式下的图片文件 img_rgba = Image.open("example_with_alpha.png").convert("RGBA") # 转换成numpy数组形式 rgba_array = np.array(img_rgba) # 提取alpha通道并设置新的透明度比例 new_alpha_channel = rgba_array[:, :, 3] * 0.5 # 设置透明度为原来的50% rgba_array[:, :, 3] = new_alpha_channel.astype(np.uint8) # 构造新图像对象 modified_img = Image.fromarray(rgba_array, 'RGBA') modified_img.save("output_modified_transparency.png", format="PNG") ``` 这段代码展示了如何提取 Alpha 通道，并将其乘以指定的比例因子以改变整体透明度[^3]。 --- #### 结合傅里叶变换去除周期性噪声 为了进一步扩展颜色处理的应用场景，在某些情况下可能需要借助陷波滤波器移除特定频率上的干扰项。这通常涉及以下几个步骤： 1. 对图像执行二维快速傅里叶变换； 2. 定位频域中的目标区域； 3. 应用掩码屏蔽掉不需要的部分； 4. 反向傅里叶变换恢复空间域数据。 下面是一个简单的例子说明如何构建陷波滤波器[^5]: ```python import cv2 import numpy as np import matplotlib.pyplot as plt def notch_filter(image_path): original = cv2.imread(image_path, 0) f = np.fft.fft2(original) fshift = np.fft.fftshift(f) magnitude_spectrum = 20*np.log(np.abs(fshift)) rows, cols = original.shape crow, ccol = int(rows/2), int(cols/2) mask = np.zeros_like(magnitude_spectrum, dtype=np.float32) r = 10 for i in range(-r, r): mask[crow+i,ccol-r:ccol+r]=1 filtered_fshift = fshift*mask filtered_magnitude = 20*np.log(abs(filtered_fshift)+1e-6) final_image = abs(np.fft.ifft2(np.fft.ifftshift(filtered_fshift))) return original, magnitude_spectrum, filtered_magnitude, final_image original, spectrum, filtered_spec, result = notch_filter("noisy_image.png") fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 10)) axes[0][0].imshow(original, cmap='gray'); axes[0][0].set_title('Original'); axes[0][1].imshow(spectrum, cmap='gray'); axes[0][1].set_title('Spectrum'); axes[1][0].imshow(filtered_spec, cmap='gray'); axes[1][0].set_title('Filtered Spectrum'); axes[1][1].imshow(result, cmap='gray'); axes[1][1].set_title('Result'); for ax in axes.flat: ax.set_axis_off() plt.tight_layout() plt.show() ``` 这里实现了基于 FFT 和自定义掩模的选择性抑制功能。 ---