如何使用 python 将方形图像像素化为 256 个大像素？

Question

我需要找到一种方法，使用 python 将方形图像缩小到 256 个大像素，最好使用 matplotlib 和枕头库。

有什么想法吗？

Answer 1

九个月过去了，我现在可以拼凑一些 Python - 根据您关于如何使用 Python 和 PIL/Pillow 对图像进行像素化的原始请求。

#!/usr/local/bin/python3
from PIL import Image

# Open Paddington
img = Image.open("paddington.png")

# Resize smoothly down to 16x16 pixels
imgSmall = img.resize((16,16),resample=Image.BILINEAR)

# Scale back up using NEAREST to original size
result = imgSmall.resize(img.size,Image.NEAREST)

# Save
result.save('result.png')

原图

结果

---

帕丁顿太可爱了——他只需要被像素化！

如果你把他缩小到 32x32 像素（而不是 16x16）然后重新调整大小，你会得到：

关键字：

像素化、像素化、像素化、像素化、Paddington、Python、Pillow、PIL、图像、图像处理、最近邻插值。

Answer 2

另一种选择是使用PyPXL

在 Lab 颜色空间中使用 K-Means 聚类对图像和视频进行像素化的 Python 脚本。视频像素化支持多处理以获得更好的性能。

使用 Paddington 图像作为您可以运行的源：

python pypxl_image.py -s 16 16 paddington.png paddington_pixelated.png

这给出了这个结果

当然，如果您希望它具有 256 x 256 像素，而不仅仅是 256 大像素，您可以运行

python pypxl_image.py -s 256 256 paddington.png paddington_pixelated.png

这给出了这个结果

与其他解决方案相比，这两个结果都具有更复古的 8 位外观，这可能符合您的需求。

Answer 3

抱歉，我无法为您提供 Python 解决方案，但我可以向您展示技术和结果，只需在命令行中使用 ImageMagick：

从这里开始：

首先，使用普通三次或双线性插值将图像缩小到 16x16 像素，然后使用 “最近邻”插值将图像缩放回其原始大小：

convert paddington.png -resize 16x16 -scale 400x400 result.png

关键字：

像素化、像素化、像素化、像素化、帕丁顿、ImageMagick、命令行、命令行、图像、图像处理、最近邻插值。

Answer 4

这是我的解决方案

import numpy as np
import matplotlib.pyplot as plt

def pixelate_rgb(img, window):
    n, m, _ = img.shape
    n, m = n - n % window, m - m % window
    img1 = np.zeros((n, m, 3))
    for x in range(0, n, window):
        for y in range(0, m, window):
            img1[x:x+window,y:y+window] = img[x:x+window,y:y+window].mean(axis=(0,1))
    return img1

img = plt.imread('test.png')

fig, ax = plt.subplots(1, 4, figsize=(20,10))

ax[0].imshow(pixelate_rgb(img, 5))
ax[1].imshow(pixelate_rgb(img, 10))
ax[2].imshow(pixelate_rgb(img, 20))
ax[3].imshow(pixelate_rgb(img, 30))

# remove frames
[a.set_axis_off() for a in ax.flatten()]
plt.subplots_adjust(wspace=0.03, hspace=0)

还有一个思路是处理灰度图：

def pixelate_bin(img, window, threshold):
    n, m = img.shape
    n, m = n - n % window, m - m % window
    img1 = np.zeros((n,m))
    for x in range(0, n, window):
        for y in range(0, m, window):
            if img[x:x+window,y:y+window].mean() > threshold:
                img1[x:x+window,y:y+window] = 1
    return img1

# convert image to grayscale
img = np.dot(plt.imread('test.png'), [0.299 , 0.587, 0.114])

fig, ax = plt.subplots(1, 3, figsize=(15,10))

plt.tight_layout()
ax[0].imshow(pixelate_bin(img, 5, .2), cmap='gray')
ax[1].imshow(pixelate_bin(img, 5, .3), cmap='gray')
ax[2].imshow(pixelate_bin(img, 5, .45), cmap='gray')

# remove frames
[a.set_axis_off() for a in ax.flatten()]
plt.subplots_adjust(wspace=0.03, hspace=0)

记住：png 的值介于 0 和 1 之间，而 jpg 的值介于 0 和 255 之间