Для компьютера изображение — таблица чисел: каждая точка — пиксель — это несколько чисел. Уменьшить сотню фотографий для сайта, поставить водяной знак, посчитать монеты на снимке — всё это операции над этими числами. Pillow (PIL) нужен, чтобы открывать, изменять размер, рисовать и сохранять файлы, а OpenCV — библиотека компьютерного зрения: фильтры, границы, контуры, поиск объектов. Обе умеют превращать изображение в массив NumPy, поэтому знания из урока «Основы NumPy: массивы» работают здесь напрямую.
Изображение — это массив чисел
Пиксель и каналОпределение
Пиксель — наименьшая точка изображения. У цветного пикселя три канала — красный, зелёный, синий (RGB), каждый типа uint8 от 0 до 255. У серого изображения канал один: 0 — чёрный, 255 — белый. Форма массива — (H, W, C): высота, ширина, каналы.
Где
- R, G, B
- красное, зелёное и синее значения пикселя (0–255)
- L
- яркость в оттенках серого (0–255)
Преобразования convert('L') в Pillow и COLOR_BGR2GRAY в OpenCV используют эту формулу (ITU-R 601). Глаз чувствительнее всего к зелёному, поэтому у него наибольший вес.
import numpy as np
import matplotlib.pyplot as plt
img = np.zeros((4, 6, 3), dtype=np.uint8)
img[:, :3] = [255, 0, 0]
img[:, 3:] = [0, 0, 255]
img[1, 4] = [255, 255, 255]
print(img.shape, img.dtype, img.size)
print(img[1, 4], img[0, 0])
r, g, b = img[..., 0], img[..., 1], img[..., 2]
gray = (0.299 * r + 0.587 * g + 0.114 * b).round().astype(np.uint8)
print(gray)
plt.imshow(img)
plt.title('6 × 4 pixels')Ожидаемый результат
(4, 6, 3) uint8 72 [255 255 255] [255 0 0] [[ 76 76 76 29 29 29] [ 76 76 76 29 255 29] [ 76 76 76 29 29 29] [ 76 76 76 29 29 29]]
uint8, а matplotlib его показывает. img[1, 4] — строка 1, столбец 4; в сером варианте красный становится 76, синий — 29, белый — 255.Пример 1: яркость вручную
Задача
Найди яркость в сером: 1) красный (255, 0, 0); 2) зелёный (0, 255, 0); 3) оранжевый (200, 120, 40).
Показать решениеСкрыть решение
Решение
2) 0,587 · 255 ≈ 149,7 → 150 — из цветов одинаковой интенсивности зелёный выглядит самым светлым.
3) 59,8 + 70,44 + 4,56 = 134,8 → 135 (код Pillow ниже тоже даёт 135).
Чтобы читать дальше, зарегистрируйся бесплатно
Остальные разделы урока, тест и заметки открываются с аккаунтом Educora. Регистрация занимает минуту, а прогресс сохраняется на всех твоих устройствах.
Pillow: открыть, изменить, нарисовать, сохранить
Image.open(path) открывает файл, Image.new(mode, size, color) создаёт пустое изображение; размер всегда задаётся как (ширина, высота). ImageDraw.Draw(img) рисует на нём прямоугольники, эллипсы, линии и текст. save выбирает формат по расширению: .png — без потерь, .jpg сжимается с качеством quality. Pillow и OpenCV в браузере не работают: pip install pillow opencv-python.
from PIL import Image, ImageDraw
img = Image.new('RGB', (400, 300), color=(240, 240, 255))
draw = ImageDraw.Draw(img)
draw.rectangle((40, 40, 200, 140), fill=(255, 159, 28), outline='black', width=3)
draw.ellipse((220, 60, 360, 200), fill=(31, 182, 255))
draw.line((0, 299, 399, 0), fill='red', width=2)
draw.text((40, 250), 'Educora', fill='black')
img.save('scene.png')
loaded = Image.open('scene.png')
print(loaded.format, loaded.size, loaded.mode)
print(loaded.getpixel((100, 100)), loaded.getpixel((290, 130)), loaded.getpixel((5, 5)))Ожидаемый результат
PNG (400, 300) RGB (255, 159, 28) (31, 182, 255) (240, 240, 255)
Где
- w, h
- исходные ширина и высота (пиксели)
- w′, h′
- новые размеры
- k
- масштаб для
thumbnail((W_max, H_max)): изображение должно уместиться в оба предела
Изменение размера с сохранением пропорций: resize принимает любой размер (пропорцию считаешь ты), а thumbnail сохраняет пропорцию сам и уменьшает изображение на месте.
from PIL import Image, ImageFilter
photo = Image.new('RGB', (1600, 1200), (200, 120, 40))
w, h = photo.size
small = photo.resize((800, h * 800 // w))
print(small.size)
thumb = photo.copy()
thumb.thumbnail((300, 300))
print(thumb.size)
print(photo.crop((100, 100, 500, 400)).size)
print(photo.rotate(90, expand=True).size, photo.rotate(30).size)
gray = photo.convert('L')
print(gray.mode, gray.getpixel((0, 0)))
soft = small.filter(ImageFilter.GaussianBlur(radius=2))
soft.save('small.jpg', quality=85)
print(Image.open('small.jpg').format, Image.open('small.jpg').size)Ожидаемый результат
(800, 600) (300, 225) (400, 300) (1200, 1600) (1600, 1200) L 135 JPEG (800, 600)
crop возвращает новое изображение (400 × 300). rotate(90, expand=True) расширяет холст, и размеры меняются местами; без expand углы обрезаются. GaussianBlur смягчает картинку, JPEG сохраняется с quality=85.Пример 2: новые размеры
Задача
1) Фото 4000 × 3000 уменьшают до ширины 800. 2) Изображение 1600 × 1200 и thumbnail((300, 300)). 3) Вертикальное изображение 1200 × 1600 и thumbnail((300, 300)).
Показать решениеСкрыть решение
Решение
2) k = min(300/1600; 300/1200) = min(0,1875; 0,25) = 0,1875 → 300 × 225 (как и вывел код).
3) k = min(0,25; 0,1875) = 0,1875 → 225 × 300.
OpenCV: цветовые пространства, фильтры, границы
В OpenCV изображение — тоже массив NumPy, но порядок каналов BGR (синий, зелёный, красный). cv2.cvtColor меняет цветовое пространство: серое (GRAY), RGB, HSV (тон, насыщенность, яркость — удобно для поиска объектов по цвету). Функции рисования меняют массив на месте, точки задаются как (x, y), а цвета — в BGR.
import cv2
import numpy as np
img = np.full((300, 400, 3), 255, dtype=np.uint8)
cv2.rectangle(img, (40, 40), (160, 140), (0, 0, 255), -1)
cv2.circle(img, (280, 150), 60, (255, 0, 0), -1)
cv2.putText(img, 'OpenCV', (40, 260), cv2.FONT_HERSHEY_SIMPLEX, 1.2, (0, 0, 0), 2)
print(img.shape, img.dtype)
print(img[90, 100], img[150, 280])
rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
print(rgb[90, 100], gray.shape, gray[90, 100], hsv[90, 100])
cv2.imwrite('shapes.png', img)
print(cv2.imread('missing.png'))Ожидаемый результат
(300, 400, 3) uint8 [ 0 0 255] [255 0 0] [255 0 0] (300, 400) 76 [ 0 255 255] None
(0, 0, 255) в OpenCV — красный: в массиве [0 0 255], а после перевода в RGB — [255 0 0]. В HSV у красного тон 0. Если файла нет, cv2.imread не выбрасывает исключение — печатает предупреждение и возвращает None.import cv2
import numpy as np
a = np.array([[200, 250]], dtype=np.uint8)
b = np.array([[100, 10]], dtype=np.uint8)
print(a + b)
print(cv2.add(a, b))
print(np.clip(a.astype(np.int16) + b, 0, 255).astype(np.uint8))Ожидаемый результат
[[44 4]] [[255 255]] [[255 255]]
cv2.add складывает с насыщением; чтобы получить то же в NumPy, сначала перейди к более широкому типу и примени np.clip.Ядро (kernel) и фильтрОпределение
Фильтр заменяет каждый пиксель взвешенной суммой его соседей; таблица весов — это ядро. cv2.GaussianBlur(img, (5, 5), 0) сглаживает шум гауссовым ядром 5 × 5 (размер должен быть нечётным). Алгоритм Кэнни (cv2.Canny) находит места резкого изменения яркости — границы, а cv2.threshold превращает изображение в чёрно-белую маску.
Чтобы увидеть, что делают эти шаги, выполним те же операции с scipy.ndimage, который работает в браузере: шумное изображение → размытие → границы (Собель) → маска и подсчёт объектов.
import numpy as np
import matplotlib.pyplot as plt
from scipy import ndimage
yy, xx = np.mgrid[0:120, 0:160]
img = np.where((xx - 60)**2 + (yy - 60)**2 < 35**2, 220.0, 60.0)
img[20:50, 110:150] = 220.0
noisy = img + np.random.default_rng(0).normal(0, 25, img.shape)
blurred = ndimage.gaussian_filter(noisy, sigma=2)
edges = np.hypot(ndimage.sobel(blurred, axis=0), ndimage.sobel(blurred, axis=1))
mask = blurred > 140
labels, n = ndimage.label(mask)
print('objects:', n)
print('sizes:', [int(s) for s in ndimage.sum(mask, labels, range(1, n + 1))])
fig, axes = plt.subplots(1, 4, figsize=(10, 2.6))
for ax, im, title in zip(axes, [noisy, blurred, edges, mask], ['noisy', 'blurred', 'edges', 'mask']):
ax.imshow(im, cmap='gray')
ax.set_title(title)
ax.axis('off')Ожидаемый результат
objects: 2 sizes: [1190, 3830]
Мини-проект: считаем монеты
Рисуем четыре светлые монеты на тёмном столе, имитируем шум камеры и находим их с помощью OpenCV: количество, центр, радиус, площадь. Преимущество синтетического изображения — мы знаем правильный ответ и можем проверить алгоритм.
Серое и гладкое
cvtColor(…, COLOR_BGR2GRAY), затемGaussianBlur— крапинки шума исчезают.Маска
thresholdсTHRESH_OTSU— порог выбирается автоматически по гистограмме.Контуры
findContours(…, RETR_EXTERNAL, …)— внешняя граница каждого белого пятна.Измерь и нарисуй
contourArea,minEnclosingCircle,boundingRect; отметь результат черезrectangle.
import cv2
import numpy as np
rng = np.random.default_rng(7)
img = np.full((300, 400, 3), 90, dtype=np.uint8)
for (x, y), r in zip([(80, 80), (220, 90), (320, 210), (130, 220)], [30, 45, 25, 38]):
cv2.circle(img, (x, y), r, (200, 210, 220), -1)
img = np.clip(img + rng.normal(0, 12, img.shape), 0, 255).astype(np.uint8)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray, (5, 5), 0)
t, mask = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
print('threshold:', t, 'objects:', len(contours))
for c in sorted(contours, key=cv2.contourArea, reverse=True):
x, y, w, h = cv2.boundingRect(c)
(cx, cy), radius = cv2.minEnclosingCircle(c)
print(f'center ({cx:.0f}, {cy:.0f}) r = {radius:.0f} area {cv2.contourArea(c):.0f} box {w}x{h}')
cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)
edges = cv2.Canny(blur, 50, 150)
print('edge pixels:', int((edges > 0).sum()))
cv2.imwrite('result.png', img)Ожидаемый результат
threshold: 148.0 objects: 4 center (220, 90) r = 45 area 6230 box 89x89 center (130, 220) r = 38 area 4402 box 75x75 center (80, 80) r = 30 area 2732 box 59x59 center (320, 210) r = 25 area 1886 box 49x49 edge pixels: 1024
| Задача | Pillow | OpenCV |
|---|---|---|
| Открыть / сохранить | Image.open, img.save | cv2.imread, cv2.imwrite |
| Размер | img.size → (W, H) | img.shape → (H, W, C) |
| Изменить размер | resize, thumbnail | cv2.resize(img, (W, H)) |
| Оттенки серого | convert('L') | cvtColor(…, COLOR_BGR2GRAY) |
| Рисовать | ImageDraw.Draw | cv2.rectangle, cv2.circle, cv2.putText |
| Перевести друг в друга | np.array(img), Image.fromarray(arr) | cvtColor(arr, COLOR_RGB2BGR) |
Задание
Преобразуй цветное изображение 2 × 2 в серое по формуле L = 0,299 · R + 0,587 · G + 0,114 · B, округли и выведи как массив uint8.
import numpy as np
img = np.array([[[255, 0, 0], [0, 255, 0]],
[[0, 0, 255], [128, 128, 128]]], dtype=np.uint8)
# take the channels with img[..., 0], img[..., 1], img[..., 2]Ожидаемый результат
[[ 76 150] [ 29 128]]
Задание
Сделай с помощью NumPy то, что делает cv2.boundingRect: найди пиксели ярче 128, выведи их количество и охватывающий прямоугольник в виде (x, y, w, h).
import numpy as np
img = np.zeros((8, 8), dtype=np.uint8)
img[3:6, 2:6] = 200
img[4, 3] = 90
mask = img > 128
# np.nonzero(mask) returns (rows, columns) = (ys, xs)Ожидаемый результат
pixels: 11 box: (2, 3, 4, 3)
Запомни
- Изображение — массив
uint8: форма (H, W, C), значения 0–255; массив индексируетсяimg[y, x], а Pillow пишет (x, y). - Серый: L = 0,299 R + 0,587 G + 0,114 B; Pillow
convert('L'), OpenCVCOLOR_BGR2GRAY. - Pillow:
open,resize,thumbnail(сохраняет пропорции),crop((левый, верхний, правый, нижний)),rotate,ImageDraw,save(quality=…). - OpenCV использует порядок BGR;
imreadпри ошибке возвращаетNone;uint8в NumPy переполняется по кругу, аcv2.addостанавливается на 255. - Цепочка поиска объектов: серое →
GaussianBlur(нечётное ядро) →threshold(Оцу) →findContours→contourArea,boundingRect.