如何在Bokeh（Python）中处理图像？

Bokeh 是 Python 中使用的交互式数据可视化库，它提供了一系列丰富的功能，用于可视化数据和图形处理。当涉及到处理图像时，Bokeh 的高性能和灵活性使它成为一个很好的选择。

在本文中，我们将介绍如何在 Bokeh 中处理图像。我们将从基本的图像操作开始，例如显示图像和调整图像大小，然后深入了解更高级的图像操作。

基本的图像操作

显示图像

我们可以使用 Bokeh 的 ImageURL 类来显示图像。你需要传入要显示图像的 URL 地址，此外还可以选择指定 x 和 y 的位置以及宽度和高度。下面是一段示例代码：

from bokeh.plotting import figure, show
from bokeh.models import ColumnDataSource, ImageURL

url = "https://docs.bokeh.org/static/snake.jpg"

plot = figure(x_range=(0,1), y_range=(0,1))
source = ColumnDataSource(dict(url=[url]))
plot.add_glyph(source, ImageURL(url="url", x=0, y=1, w=1, h=1))

show(plot)

这段代码将在 Bokeh 中创建一个新的图形，并将可用于显示的图像 URL 添加到 ColumnDataSource 中。然后我们使用 ImageURL 类将图像添加到图形中。

调整图像大小

要调整图像的大小，你需要了解两个重要的参数：宽度和高度。你可以使用 ImageData 类中的 shape 属性来获取图像的宽度和高度，然后通过将指定的比例乘以每个维度的大小来调整大小。

下面是一个示例代码，该代码将仅显示 Snake 图像的一部分：

from PIL import Image
from bokeh.models import ImageData

img = Image.open("https://docs.bokeh.org/static/snake.jpg")
w, h = img.size
img = img.crop((0, h/2, w/2, h))
w, h = img.size

data = img.tobytes()
data = [data[i:i + w * 3] for i in range(0, len(data), w * 3)]

source = ColumnDataSource(data=dict(image=[ImageData(data=data, x=0, y=0, dw=w/2, dh=h/2)]))

plot = figure(x_range=(0, w/2), y_range=(0, h/2))
plot.image_rgba(image='image', source=source, x=0, y=0, dw=w/2, dh=h/2)

show(plot)

这段代码将 ImageData 类实例化，并使用图像的 tobytes() 方法将其转换为字节数组。在创建 ColumnDataSource 时，我们将调整后的图像大小传递给 image 参数，以便在更新图形时使用。

高级图像操作

图像过滤

Bokeh 还提供了一些过滤器，可以使用它们来对图像进行处理。过滤器将读取输入值并返回处理后的输出值。

例如，下面是一个简单的边缘检测器，用于检测图像中的边缘：

import numpy as np
from scipy.ndimage import sobel
from bokeh.plotting import figure, show
from bokeh.models import ColumnDataSource, ImageRGBA
from PIL import Image

img = Image.open("https://docs.bokeh.org/static/snake.jpg").convert('L')
out = np.zeros(img.size, dtype=np.uint8)
sobel(img, 0, out)
img = Image.fromarray(out)

plot = figure(x_range=(0,img.width), y_range=(0,img.height))
plot.image_rgba(image=[np.array(img)], x=0, y=0, dw=img.width, dh=img.height)

show(plot)

这段代码将使用 scipy.ndimage 库中的 sobel 函数对图像进行边缘检测。我们首先将图像转换为灰度图像，然后将其传递给 sobel 函数，它将返回包含边缘信息的图像。最后，我们将创建一个新的 ImageRGBA 对象，并将其添加到 Bokeh 图形中。

图像转换

你可以使用 Bokeh 中的 ImageData 类来转换图像格式。ImageData 类允许你将图像从一种格式转换为另一种格式，同时还可以进行缩放或旋转操作。

以下是一个将图像从 RGBA 转换为灰度图像的示例代码：

from PIL import Image
import numpy as np
from bokeh.models import ImageData, ColumnDataSource
from bokeh.plotting import figure, show

img = Image.open("https://docs.bokeh.org/static/snake.jpg")
img = img.convert('L')
img_data = np.array(img)

data = [img_data[i, ::-1, :] for i in range(img_data.shape[0])]

source = ColumnDataSource(data=dict(image=[ImageData(data=data, x=0, y=0, dw=img.width, dh=img.height)]))

plot = figure(x_range=(0, img.width), y_range=(0, img.height), match_aspect=True)
plot.image_rgba(image='image', source=source, x=0, y=0, dw=img.width, dh=img.height)

show(plot)

这段代码将使用 Image 类加载 Snake 图像，并将其转换为灰度图像。然后，我们将创建一个 ImageData 对象，将其添加到 ColumnDataSource 中，并将其传递给 plot.image_rgba() 方法来显示图像。

结论

Bokeh 的灵活性和高性能使其成为 Python 中处理图像的强大工具。本文介绍了如何在 Bokeh 中使用 ImageURL、ImageData 和 ImageRGBA 类来处理图像，并展示了一些图像过滤和转换的示例代码。这些功能为数据科学家和图形设计师提供了更多的工具来处理、可视化和分析图像数据。