怎么样，效果还不错吧？现在，我们用Python来实现这种像素化的效果。

1 环境

操作系统：Windows

Python版本：3.7.3

2 需求分析

一个最简单的实现思路，在打开图片后，把图片分割成一些像素块，再对这些像素块中的图像信息进行处理（修改图像中的RGB值）即可。

这里我们使用Numpy库和PIL库来实现这个需求，后者用来图像的读取与保存，涉及到的所有图像处理动作均借助Numpy来实现。

有关NumPy模块、PIL模块的介绍，可参考如下。

NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。

PIL（Python Imaging Library）是Python常用的图像处理库，而Pillow是PIL的一个友好Fork，提供了了广泛的文件格式支持，强大的图像处理能力，主要包括图像储存、图像显示、格式转换以及基本的图像处理操作等。

这两个模块非Python内置，都属于第三方模块，可直接采用如下方式进行安装

                  
                    pip install numpy
pip install Pillow
                  
                

注意，要想使用PIL模块，是需要直接install Pillow模块的。

3 代码实现

首先导入我们要用到的模块

                  
                    import numpy as np
from PIL import Image
                  
                

接下来，我们要处理图片，首先得打开一张图片，如下

                  
                    data = Image.open("P:\\Personal\\LuoShen.xpg")
                  
                

然后把图像转换化Numpy数组进行下一步的处理

                  
                    im1 = np.array(data)
                  
                

这里处理的核心思想，也很简单，主要通过中间值的RGB，对所选范围块的RGB进行重新赋值。

                  
                    im1[y:y + pixel, x:x + pixel] = im1[y + (pixel // 2)][x + (pixel // 2)]
                  
                

这里的x、y是分别指的我们图像的横向、纵向像素点的坐标值、而pixel指的是我们要以多大的像素块，来处理这张图像，我们设置的单位像素块(Pixel数值)越小，生成的像素图越精确。

当然了，若单位像素块设置的太小，生成图像就看不出效果了，至于多大的数值合适，需要自行尝试。不同尺寸的图像，要达到最佳的像素化的显示效果，所需要设置的单位像素块的大小也是不同的，实践出真知。

我们需要图像的指定一个处理范围，并对该范围内的每一个坐标(像素)点进行像素化的处理。

                  
                    for y in range(Start_coordinate[1], End_coordinate[1], pixel):
    for x in range(Start_coordinate[0], End_coordinate[0], pixel):
        pass
                  
                

在处理完成之后，我们再把Numpy数组转换回图像。

                  
                    im2 = Image.fromarray(im1.astype(np.uint8))
                  
                

最后展示出处理后的图像

                  
                    im2.show()
                  
                

4 代码全景展示

                  
                    import numpy as np
from PIL import Image

def to_pixelBlock(pixel, Start_coordinate, End_coordinate):     
    '''     
    :param pixel: 单位像素块的元素大小        
    :param Start_coordinate: 处理的起始坐标(像素)点，元组形式      
    :param End_coordinate: 处理的终止坐标(像素)点，元组形式        
    :return:        
    通过中间值的RGB，对所选范围块的RGB进行重新赋值，设置的单位像素块(Pixel数值)越小，生成的像素图越精确
    '''
    # 读取图片，并由 PIL image 转换为 NumPy array
    im1 = np.array(Image.open("P:\\Personal\\LuoShen.jpg"))


    # 遍历所要处理范围内的所有坐标(像素)点
    for y in range(Start_coordinate[1], End_coordinate[1], pixel):
        for x in range(Start_coordinate[0], End_coordinate[0], pixel):
            # 通过中间值的RGB，对所选范围块的RGB进行重新赋值
            im1[y:y + pixel, x:x + pixel] = im1[y + (pixel // 2)][x + (pixel // 2)]

    # 将NumPy array 转换为 PIL image        
    im2 = Image.fromarray(im1.astype(np.uint8))
    # 展示处理后的图像
    im2.show()


if __name__ == '__main__':      
    # 设置好要处理的像素范围，并以多大的像素块来生成最终效果图
    to_pixelBlock(10, (0, 0), (1280, 800)
                  
                

5 后记

本文使用了PIL加上Numpy的配合，短短几行代码实现了图像像素化的处理。当然这只是一种简单地实现，要想实现更丰富的处理效果，还可以借助CV2来实现。

好了，以上就是本篇全部内容。

公众号「 Python专栏 」后台回复：「 马赛克 」，获取本文所涉及的完整代码。