引言
图片从数学上来说，只是一个二维矩阵（黑白图片）或者是一个三维张量，因此存在用程序操作的可能。笔者在这里尝试用Python处理图片，为后续卷积和池化操作做铺垫。
Pillow入门
用 Python 做图片处理，最著名的库就是 PIL（Python Imaging Library）了，不过由于年久失修，一群有志青年在 PIL 的基础上创建了 Pillow，支持最新的 Python3，而且有许多新的特性，Pillow 也成为了 Python 图片处理必不可少的工具之一了。
安装Pillow很简单：
pip install pillow
然后在Python中通过下面的语句读取和展示图片：
from PIL import Image
import numpy as np
im = Image.open("test.jpg")
im.show()
如果我们想读取图片的数字结构，则将其转为numpy数组：
im_array = np.array(im)
print(im_array.shape)
对于下面的png图片：
输出数组的形状：
(608, 482, 4)
也就是长608个像素，宽482像素，4通道的图片。png比jpg多出一个Alpha通道，用来表示各个像素点透明度。为了后续处理的方便，我们想将其转换成3通道格式并保存：
im = im.convert('RGB')
im.save('test.jpg')
注：im.convert语句不可缺少，否则会报错，因为通道数不同。
这时再查看其参数：
print(im.shape)
输出(608, 482, 3)，也就是三通道（R、G、B）。
图片的简单操作
在知道了图片参数的意义后，我们就可以通过变换ndarray数组来变换图片。比如通过数组截取将图片压缩：
Image.fromarray(im_array[::2, ::2]).show()
然后图片变成了：
我们也可以通过改变数组的值，以改变图片外观，比如将各个通道的值分别设成255：
array0 = np.array(im_array, copy=True)
array0[:, :, 0] = 255
array1 = np.array(im_array, copy=True)
array1[:, :, 1] = 255
array2 = np.array(im_array, copy=True)
array2[:, :, 2] = 255
# 将三张图片水平拼接，然后压缩一下：
Image.fromarray(np.hstack((array0, array1, array2))[::2, ::2]).show()
然后呈现下面的图片：
也就是RGB三原色分别拉到最高时的样子。
而如果将上面的255改成0，相当于把图片中的红绿蓝色素分别移出去，呈现的就是青色，紫色和黄色：
关于数据格式
由于本文是为后面的卷积神经网络做铺垫，因此不会深入太多关于图像处理的知识点。这里要提到关于数据格式的问题，事实上，jpg图片中，每个像素的每个通道值都是在0~255之间的，因此Pillow和numpy环境下图像数据是用uint8存储：
print(im_array.dtype) # 输出dtype('uint8')
这也导致了一个问题，假如我们这样操作：
new_im_array = im_array / 3
new_im = Image.fromarray(new_im_array)
就会报错，因为此时new_im_array中的元素是float类型，不满足图片格式。我们需要手动转换类型：
new_im = Image.fromarray(new_im_array.astype("uint8"))
但这样处理也不是周全的，比如我们这样操作：
new_im_array = im_array * 2
new_im = Image.fromarray(new_im_array)
想获得更浓郁的色彩，假设此时有个R值为200的像素点，乘以2之后，由于数据类型始终是uint8，因此数据溢出，运算后的值是144，不符合预期，因此最合理的操作应该是：先将数组转换成float类型，进行一系列运算，然后运算后的结果限制在0~255之间，最后再转换成uint8类型：
new_im_array = im_array.astype("float64")
new_im_array += 16
new_im_array /= 4
... # 一系列运算
new_im_array[new_im_array < 0] = 0
new_im_array[new_im_array > 255] = 255
new_im = Image.fromarray(new_im_array.astype("uint8"))
