2025-12-04 22:12:22

[Python图像处理] 二十.图像量化处理和采样处理及局部马赛克特效

忙碌的八月，忙碌的2023，感谢关注，加油！

前面一篇文章我讲解了基于K-Means聚类的图像分割或量化处理，但突然发现市场上讲解图像量化和采样代码的文章很缺乏，因此结合2015年自己的一篇 文章 及相关知识，分享一篇Python图像量化及处理的博文供同学们学习。基础性文章，希望对你有所帮助。

学Python近十年，认识了很多大佬和朋友，感恩。深知自己很菜，得拼命努力前行，编程也没有什么捷径，干就对了。希望未来能更透彻学习和撰写文章，同时非常感谢参考文献中的大佬们的文章和分享，共勉。

- https://blog.csdn.net/eastmount

一.图像量化处理

图像通常是自然界景物的客观反映，并以照片形式或视频记录的介质连续保存，获取图像的目标是从感知的数据中产生数字图像，因此需要把连续的图像数据离散化，转换为数字化图像，其工作主要包括两方面——量化和采样。数字化幅度值称为量化，数字化坐标值称为采样。本章主要讲解图像量化和采样处理的概念，并通过Python和OpenCV实现这些功能。

1.1 概述所谓量化（Quantization），就是将图像像素点对应亮度的连续变化区间转换为单个特定值的过程，即将原始灰度图像的空间坐标幅度值离散化。量化等级越多，图像层次越丰富，灰度分辨率越高，图像的质量也越好；量化等级越少，图像层次欠丰富，灰度分辨率越低，会出现图像轮廓分层的现象，降低了图像的质量。图1是将图像的连续灰度值转换为0至255的灰度级的过程。

如果量化等级为2，则将使用两种灰度级表示原始图片的像素（0-255），灰度值小于128的取0，大于等于128的取128；如果量化等级为4，则将使用四种灰度级表示原始图片的像素，新图像将分层为四种颜色，0-64区间取0，64-128区间取64，128-192区间取128，192-255区间取192；依次类推。

图2是对比不同量化等级的“Lena”图。其中（a）的量化等级为256，（b）的量化等级为64，（c）的量化等级为16，（d）的量化等级为8，（e）的量化等级为4，（f）的量化等级为2。

1.2 操作下面讲述Python图像量化处理相关代码操作。其核心流程是建立一张临时图片，接着循环遍历原始图像中所有像素点，判断每个像素点应该属于的量化等级，最后将临时图像显示。下述代码将灰度图像转换为两种量化等级。

代码语言：javascript复制# -*- coding: utf-8 -*-

import cv2

import numpy as np

import matplotlib.pyplot as plt

#读取原始图像

img = cv2.imread('lena.png')

#获取图像高度和宽度

height = img.shape[0]

width = img.shape[1]

#创建一幅图像

new_img = np.zeros((height, width, 3), np.uint8)

#图像量化操作 量化等级为2

for i in range(height):

for j in range(width):

for k in range(3): #对应BGR三分量

if img[i, j][k] < 128:

gray = 0

else:

gray = 128

new_img[i, j][k] = np.uint8(gray)

#显示图像

cv2.imshow("src", img)

cv2.imshow("", new_img)

#等待显示

cv2.waitKey(0)

cv2.destroyAllWindows()其输出结果如图3所示，它将灰度图像划分为两种量化等级。

下面的代码分别比较了量化等级为2、4、8的量化处理效果。

代码语言：javascript复制# -*- coding: utf-8 -*-

import cv2

import numpy as np

import matplotlib.pyplot as plt

#读取原始图像

img = cv2.imread('lena.png')

#获取图像高度和宽度

height = img.shape[0]

width = img.shape[1]

#创建一幅图像

new_img1 = np.zeros((height, width, 3), np.uint8)

new_img2 = np.zeros((height, width, 3), np.uint8)

new_img3 = np.zeros((height, width, 3), np.uint8)

#图像量化等级为2的量化处理

for i in range(height):

for j in range(width):

for k in range(3): #对应BGR三分量

if img[i, j][k] < 128:

gray = 0

else:

gray = 128

new_img1[i, j][k] = np.uint8(gray)

#图像量化等级为4的量化处理

for i in range(height):

for j in range(width):

for k in range(3): #对应BGR三分量

if img[i, j][k] < 64:

gray = 0

elif img[i, j][k] < 128:

gray = 64

elif img[i, j][k] < 192:

gray = 128

else:

gray = 192

new_img2[i, j][k] = np.uint8(gray)

#图像量化等级为8的量化处理

for i in range(height):

for j in range(width):

for k in range(3): #对应BGR三分量

if img[i, j][k] < 32:

gray = 0

elif img[i, j][k] < 64:

gray = 32

elif img[i, j][k] < 96:

gray = 64

elif img[i, j][k] < 128:

gray = 96

elif img[i, j][k] < 160:

gray = 128

elif img[i, j][k] < 192:

gray = 160

elif img[i, j][k] < 224:

gray = 192

else:

gray = 224

new_img3[i, j][k] = np.uint8(gray)

#用来正常显示中文标签

plt.rcParams['font.sans-serif']=['SimHei']

#显示图像

titles = [u'(a) 原始图像', u'(b) 量化-L2', u'(c) 量化-L4', u'(d) 量化-L8']

images = [img, new_img1, new_img2, new_img3]

for i in xrange(4):

plt.subplot(2,2,i+1), plt.imshow(images[i], 'gray'),

plt.title(titles[i])

plt.xticks([]),plt.yticks([])

plt.show()输出结果如图4所示，该代码调用matplotlib.pyplot库绘制了四幅图像，其中（a）表示原始图像，（b）表示等级为2的量化处理，（c）表示等级为4的量化处理，（d）表示等级为8的量化处理。

1.3 K-Means聚类量化处理上一小节的量化处理是通过遍历图像中的所有像素点，进行灰度图像的幅度值离散化处理。本小节补充一个基于K-Means聚类算法的量化处理过程，它能够将彩色图像RGB像素点进行颜色分割和颜色量化。更多知识推荐大家学习前一篇文章。

代码语言：javascript复制# coding: utf-8

import cv2

import numpy as np

import matplotlib.pyplot as plt

#读取原始图像

img = cv2.imread('people.png')

#图像二维像素转换为一维

data = img.reshape((-1,3))

data = np.float32(data)

#定义中心 (type,max_iter,epsilon)

criteria = (cv2.TERM_CRITERIA_EPS +

cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)

#设置标签

flags = cv2.KMEANS_RANDOM_CENTERS

#K-Means聚类 聚集成4类

compactness, labels, centers = cv2.kmeans(data, 4, None, criteria, 10, flags)

#图像转换回uint8二维类型

centers = np.uint8(centers)

res = centers[labels.flatten()]

dst = res.reshape((img.shape))

#图像转换为RGB显示

img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

dst = cv2.cvtColor(dst, cv2.COLOR_BGR2RGB)

#用来正常显示中文标签

plt.rcParams['font.sans-serif']=['SimHei']

#显示图像

titles = [u'原始图像', u'聚类量化 K=4']

images = [img, dst]

for i in xrange(2):

plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray'),

plt.title(titles[i])

plt.xticks([]),plt.yticks([])

plt.show()输出结果如图4所示，它通过K-Means聚类算法将彩色人物图像的灰度聚集成四种颜色。

二.图像采样处理2.1 概述图像采样（Image Sampling）处理是将一幅连续图像在空间上分割成M×N个网格，每个网格用一个亮度值或灰度值来表示，其示意图如图5所示。

图像采样的间隔越大，所得图像像素数越少，空间分辨率越低，图像质量越差，甚至出现马赛克效应；相反，图像采样的间隔越小，所得图像像素数越多，空间分辨率越高，图像质量越好，但数据量会相应地增大。图6-6展示了不同采样间隔的“Lena”图。

2.2 操作下面讲述Python图像采样处理相关代码操作。其核心流程是建立一张临时图片，设置需要采样的区域大小（如16×16），接着循环遍历原始图像中所有像素点，采样区域内的像素点赋值相同（如左上角像素点的灰度值），最终实现图像采样处理。代码是进行16×16采样的过程。

代码语言：javascript复制# -*- coding: utf-8 -*-

import cv2

import numpy as np

import matplotlib.pyplot as plt

#读取原始图像

img = cv2.imread('scenery.png')

#获取图像高度和宽度

height = img.shape[0]

width = img.shape[1]

#采样转换成16*16区域

numHeight = height/16

numwidth = width/16

#创建一幅图像

new_img = np.zeros((height, width, 3), np.uint8)

#图像循环采样16*16区域

for i in range(16):

#获取Y坐标

y = i*numHeight

for j in range(16):

#获取X坐标

x = j*numwidth

#获取填充颜色 左上角像素点

b = img[y, x][0]

g = img[y, x][1]

r = img[y, x][2]

#循环设置小区域采样

for n in range(numHeight):

for m in range(numwidth):

new_img[y+n, x+m][0] = np.uint8(b)

new_img[y+n, x+m][1] = np.uint8(g)

new_img[y+n, x+m][2] = np.uint8(r)

#显示图像

cv2.imshow("src", img)

cv2.imshow("", new_img)

#等待显示

cv2.waitKey(0)

cv2.destroyAllWindows()输出结果如下图所示：

同样，可以对彩色图像进行采样处理，下面的代码将彩色风景图像采样处理成8×8的马赛克区域。

代码语言：javascript复制# -*- coding: utf-8 -*-

import cv2

import numpy as np

import matplotlib.pyplot as plt

#读取原始图像

img = cv2.imread('scenery.png')

#获取图像高度和宽度

height = img.shape[0]

width = img.shape[1]

#采样转换成8*8区域

numHeight = height/8

numwidth = width/8

#创建一幅图像

new_img = np.zeros((height, width, 3), np.uint8)

#图像循环采样8*8区域

for i in range(8):

#获取Y坐标

y = i*numHeight

for j in range(8):

#获取X坐标

x = j*numwidth

#获取填充颜色 左上角像素点

b = img[y, x][0]

g = img[y, x][1]

r = img[y, x][2]

#循环设置小区域采样

for n in range(numHeight):

for m in range(numwidth):

new_img[y+n, x+m][0] = np.uint8(b)

new_img[y+n, x+m][1] = np.uint8(g)

new_img[y+n, x+m][2] = np.uint8(r)

#显示图像

cv2.imshow("src", img)

cv2.imshow("Sampling", new_img)

#等待显示

cv2.waitKey(0)

cv2.destroyAllWindows()其输出结果如图所示，它将彩色风景图像采样成8×8的区域。

但上述代码存在一个问题，当图像的长度和宽度不能被采样区域整除时，输出图像的最右边和最下边的区域没有被采样处理。这里推荐读者做个求余运算，将不能整除部门的区域也进行采样处理。

2.3 局部马赛克处理前面讲述的代码是对整幅图像进行采样处理，那么如何对图像的局部区域进行马赛克处理呢？下面的代码就实现了该功能。当鼠标按下时，它能够给鼠标拖动的区域打上马赛克，并按下“s”键保存图像至本地。

代码语言：javascript复制# -- coding:utf-8 --

import cv2

import numpy as np

import matplotlib.pyplot as plt

#读取原始图像

im = cv2.imread('people.png', 1)

#设置鼠标左键开启

en = False

#鼠标事件

def draw(event, x, y, flags, param):

global en

#鼠标左键按下开启en值

if event==cv2.EVENT_LBUTTONDOWN:

en = True

#鼠标左键按下并且移动

elif event==cv2.EVENT_MOUSEMOVE and

flags==cv2.EVENT_LBUTTONDOWN:

#调用函数打马赛克

if en:

drawMask(y,x)

#鼠标左键弹起结束操作

elif event==cv2.EVENT_LBUTTONUP:

en = False

#图像局部采样操作

def drawMask(x, y, size=10):

#size*size采样处理

m = x / size * size

n = y / size * size

print m, n

#10*10区域设置为同一像素值

for i in range(size):

for j in range(size):

im[m+i][n+j] = im[m][n]

#打开对话框

cv2.namedWindow('image')

#调用draw函数设置鼠标操作

cv2.setMouseCallback('image', draw)

#循环处理

while(1):

cv2.imshow('image', im)

#按ESC键退出

if cv2.waitKey(10)&0xFF==27:

break

#按s键保存图片

elif cv2.waitKey(10)&0xFF==115:

cv2.imwrite('sava.png', im)

#退出窗口

cv2.destroyAllWindows()其输出结果如图所示，它将人物的脸部进行马赛克处理。

三.总结

希望这篇基础性文章对您有所帮助，如果有错误或不足之处，请海涵！

2019年的博客，当时正在备考博士，转眼博士毕业，又重新来到图书馆奋斗，感慨！

“接下来还有两个学校，一方面耐心等待之前的结果；另一方面继续复习，周末女神陪着来书店看书，岁月静好，砥砺前行！在这期间，自己经历了很多酸甜苦辣的事情，希望陌生的你也学会享受生活，共勉”。

（By：Eastmount 2023-08-09 省图书馆 )

参考文献

eastmount - [数字图像处理] 三.MFC实现图像灰度、采样和量化功能详解（强推）《数字图像处理》（第3版），冈萨雷斯著，阮秋琦译，电子工业出版社，2013年.《数字图像处理学》（第3版），阮秋琦，电子工业出版社，2008年，北京.yunfung - 数字图像基础之图像取样和量化（Image Sampling and Quantization）zqhwando - 图像处理中的采样与量化[EB/OL]师寇_ - Python + opencv 实现图片马赛克