发现问题，目前正在调试：
灰度化图片时，如果图片的高度比宽高，会提示超出数组边界，没想通，正在看。
是因为之前初始化像素个数的时候出了些问题，现在已经修正。github正在重新提交
预备实现功能：
1、读取bmp文件
2、保存bmp文件
3、对bmp图片进行放大、缩小
4、对bmp图片进行灰度化
5、对bmp图片进行旋转
bmp文件格式非常简单，对于我这种初学者来说减少了不少不必要麻烦，故选择写一个处理bmp格式的工具。因为之前自学python一直没有动手，所以语言选择python。
第一步、熟悉bmp文件格式，完成bmp文件的解析、生成
参考了如下博客
1、http://blog.csdn.net/lanbing510/article/details/8176231
2、http://blog.csdn.net/jemenchen/article/details/52658476
根据上面的博客，了解了基本的bmp文件格式，bmp文件可以简单的分为：
1、文件信息头
2、位图信息头
3、调色板
4、像素信息
因为现在的bmp图片一般都没有调色板信息（因为24位），所以忽略第三个。所以bmp文件一般的头部信息（包括文件信息头和位图信息图）总共占用54个字节
使用16进制查看器打开一张bmp格式图片，我们可以看到如下信息
图1 bmp文件
图中蓝色部分就是bmp文件的头部信息，后面的FF为像素数据。可以看到，头部信息总共有54个字节（不包括调色板），具体这些数据由什么组成，可以查看上述的参考博文。
所以现在我们的思路就非常清晰，读取文件的头部信息后，在读取文件的位图数据，即可完成对bmp文件的解析。
所以我们构造了如下的类
文件信息头类
class BmpFileHeader:
def __init__(self):
self.bfType = i_to_bytes(0, 2) # 0x4d42 对应BM
self.bfSize = i_to_bytes(0, 4) # file size
self.bfReserved1 = i_to_bytes(0, 2)
self.bfReserved2 = i_to_bytes(0, 2)
self.bfOffBits = i_to_bytes(0, 4) # header info offset
位图信息头
class BmpStructHeader:
def __init__(self):
self.biSize = i_to_bytes(0, 4) # bmpheader size
self.biWidth = i_to_bytes(0, 4)
self.biHeight = i_to_bytes(0, 4)
self.biPlanes = i_to_bytes(0, 2) # default 1
self.biBitCount = i_to_bytes(0, 2) # one pixel occupy how many bits
self.biCompression = i_to_bytes(0, 4)
self.biSizeImage = i_to_bytes(0, 4)
self.biXPelsPerMeter = i_to_bytes(0, 4)
self.biYPelsPerMeter = i_to_bytes(0, 4)
self.biClrUsed = i_to_bytes(0, 4)
self.biClrImportant = i_to_bytes(0, 4)
bmp类至少应该有三个信息：
- 文件信息头
- 位图信息头
- 位图数据
在拥有了上述信息后，下面的事情就变得非常简单，只需要去读取文件，并按照bmp的格式构造出头部信息，位图数据即可完成bmp的解析
解析过程中，我们要注意数据的大小端问题
我们读取、写入数据要以小段模式（这个有点容易混淆，我可能解释的也有点不清楚）
bmp类
class Bmp(BmpFileHeader, BmpStructHeader):
def __init__(self):
BmpFileHeader.__init__(self)
BmpStructHeader.__init__(self)
self.__bitSize = 0 # pixels size
self.bits = [] # pixel array @property
def width(self):
return bytes_to_i(self.biWidth) @property
def height(self):
return bytes_to_i(self.biHeight) # unit is byte
@property
def bit_count(self):
return bytes_to_i(self.biBitCount) // 8 @property
def width_step(self):
return self.bit_count * self.width
bmp类中解析方法：
# resolve a bmp file
def parse(self, file_name):
file = open(file_name, 'rb')
# BmpFileHeader
self.bfType = file.read(2)
self.bfSize = file.read(4)
self.bfReserved1 = file.read(2)
self.bfReserved2 = file.read(2)
self.bfOffBits = file.read(4)
# BmpStructHeader
self.biSize = file.read(4)
self.biWidth = file.read(4)
self.biHeight = file.read(4)
self.biPlanes = file.read(2)
self.biBitCount = file.read(2)
# pixel size
self.__bitSize = (int.from_bytes(self.bfSize,
'little') -
int.from_bytes(self.bfOffBits, 'little')) \
// (int.from_bytes(self.biBitCount, 'little') // 8)
self.biCompression = file.read(4)
self.biSizeImage = file.read(4)
self.biXPelsPerMeter = file.read(4)
self.biYPelsPerMeter = file.read(4)
self.biClrUsed = file.read(4)
self.biClrImportant = file.read(4)
# load pixel info
count = 0
while count < self.__bitSize:
bit_count = 0
while bit_count < (int.from_bytes(self.biBitCount, 'little') // 8):
self.bits.append(file.read(1))
bit_count += 1
count += 1
file.close()
有了上述信息，我们再重新生成bmp文件就很简单了，直接将数据再重新写回去就可以了，如果有额外要求，可以自己构建头部信息，然后再重新写回
bmp类中生成方法
def generate(self, file_name):
file = open(file_name, 'wb+')
# reconstruct File Header
file.write(self.bfType)
file.write(self.bfSize)
file.write(self.bfReserved1)
file.write(self.bfReserved2)
file.write(self.bfOffBits)
# reconstruct bmp header
file.write(self.biSize)
file.write(self.biWidth)
file.write(self.biHeight)
file.write(self.biPlanes)
file.write(self.biBitCount)
file.write(self.biCompression)
file.write(self.biSizeImage)
file.write(self.biXPelsPerMeter)
file.write(self.biYPelsPerMeter)
file.write(self.biClrUsed)
file.write(self.biClrImportant)
# reconstruct pixels
for bit in self.bits:
file.write(bit)
file.close()
至此，我们就已经完成了bmp图片的解析和生成。
随后，我们就可以根据我们读取出来的位图数据，来进行我们需要的操作，从而达到处理图像的功能。
第二步，实现图片的放大，缩小
参考博客：http://blog.csdn.net/zhangla1220/article/details/41014541
作为入门级小白，我起初对图像处理是一无所知，所以根本不知道应该如何去放大，缩小一张图片，经过查阅百度后，发现常用的算法有两种
- 最近邻内插值
- 双线性插值法
上述两个算法博客中都有相应思路，这里只简单提一下
最近邻是最简单的算法，基本思路也就是成比例放大后，将源图像坐标映射到目标图像，所以我选择用这种算法作为我的处理算法。
双线性法的处理效果比最近邻要好，但是相对复杂，所以我暂时没有实现该算法。
既然选择了最近邻算法，接下来要说明一些我们要获取的参数
第一步：我们首先得明确一个概念，每一行（指的是图片width * 每一个像素占的字节）的元素必须是4的倍数，否则计算机会无法识别该文件（这是我后面遇到的坑）
第二步：我们应该知道 源坐标和目的坐标的转换方式，我们假设 w是源图像宽，h是源图像高，W是目标图像宽，H是目标图像高，设（x,y）是源图像坐标，（X,Y）是目标图像坐标
所以我们可以得到下列公式
x = h / H * X;
y = w / W * Y
第三步：我再解析bmp图片时，是将图片位图数据存储到了一个一维数组里，所以我们要进行对应的x,y转换到我们的一维数组上（应该就是个行优先，列优先问题），要注意的是，一个像素是由多个字节组成的。
遇到问题：
因为我们计算机中图像是以左上角为原点，所以在进行源图像和目标图像映射的时候，我们要进行转换，否则就会不正常，这个是我解决了很久的问题，最后是查看了一个博文提到了这个问题，我才知道（博文地址找不到了。。。）
nni代码
def resize(self, width, height):
self.__nni(width, height) # nearest_neighbor Interpolation
def __nni(self, width, height):
# width must be Multiple of four
if width % 4 != 0:
width -= width % 4
w_ratio = (self.height / height)
h_ratio = (self.width / height)
# new pixels array
new_bits = [b''] * height * width * self.bit_count
for row in range(0, height):
for col in range(0, width):
for channel in range(0, self.bit_count):
old_r = round((row + 0.5) * w_ratio - 0.5) # 这里的 +0.5 -0.5 就是对坐标进行转换
old_c = round((col + 0.5) * h_ratio - 0.5)
new_index = row * width * self.bit_count + col * self.bit_count + channel
old_index = old_r * self.width_step + old_c * self.bit_count + channel
new_bits[new_index] = self.bits[old_index]
self.bits = new_bits
# reset header info
self.bfSize = i_to_bytes(height * width * self.bit_count + 54, 4)
self.biSizeImage = i_to_bytes(len(new_bits), 4)
self.biWidth = i_to_bytes(width, 4)
self.biHeight = i_to_bytes(height, 4)
实现的效果如下，将一个988*423的bmp文件缩小为8*8的
图2 源图像
图3 8*8
第三步，对图片进行灰度化
灰度化就很简单了，最简单的做法就是求R,G,B的平均值
这里采用了常见的灰度化公式，这是整数算法，减少了浮点计算，在一定程度上提高了速度
Gray = (R*299 + G*587 + B*114 + 500) / 1000
灰度化代码
# put bmp graying
def graying(self):
new_bits = [b''] * self.width * self.height * self.bit_count
for i in range(0, self.height):
for j in range(0, self.width):
s_index = i * self.width_step + j * self.bit_count
target_index = i * self.width_step + j * self.bit_count
r = int.from_bytes(self.bits[s_index + 2], 'little')
g = int.from_bytes(self.bits[s_index + 1], 'little')
b = int.from_bytes(self.bits[s_index], 'little')
gray = (r * 30 + g * 59 + b * 11) / 100
new_bits[target_index] = int(gray).to_bytes(1, 'little')
new_bits[target_index + 1] = int(gray).to_bytes(1, 'little')
new_bits[target_index + 2] = int(gray).to_bytes(1, 'little')
self.bits = new_bits
实现效果：
图4 灰度化效果
第四步，对图片进行旋转
参考博文：
- http://blog.csdn.net/liyuan02/article/details/6750828
- http://blog.csdn.net/lkj345/article/details/50555870
第一篇博文完整分析了图片旋转的公式原理，说的非常清晰，有兴趣可以手写一遍，挺简单，而且清晰。
原理我就不说了，不在这献丑了~
来说说我遇到的问题
1、我不清楚如何要获得我们旋转后的宽和高，参考博文2中给出了公式，当时我并没有看懂，后面找到了一张图后，就明白了，这这里分享出这张图。
图5 旋转原理图
说明： w为原宽，h为原高 h’为旋转后的高 w’为旋转后的宽
从而可以看出
h’ = h * cos + w * sin
w’ = h * sin + w * cos
从而我们就得到了旋转后的宽和高，旋转后的图片所在的矩形区域是图中绿色部分。
我使用了上述博文中提到的反映射方法和最近邻插值法
代码如下：
def rotate(self):
self.__rotate(90) """
reference: http://blog.csdn.net/liyuan02/article/details/6750828
attention: in the loop, the x in real bmp is represent y, the y same too.
"""
def __rotate(self, degree):
cos_degree = math.cos(math.radians(degree))
sin_degree = math.sin(math.radians(degree))
h = math.ceil(self.height * cos_degree
+ self.width * sin_degree)
w = math.ceil(self.height * sin_degree
+ self.width * cos_degree)
h = abs(h)
w = abs(w)
if w % 4 != 0:
w -= w % 4
dx = -0.5 * w * cos_degree - 0.5 * h * sin_degree + 0.5 * self.width
dy = 0.5 * w * sin_degree - 0.5 * h * cos_degree + 0.5 * self.height
new_bits = [b''] * w * h * 3
for x in range(0, h):
for y in range(0, w):
x0 = y * cos_degree + x * sin_degree + dx
y0 = -y * sin_degree + x * cos_degree + dy
src_index = round(y0) * self.width_step + round(x0) * self.bit_count
dst_index = x * w * self.bit_count + y * self.bit_count
if len(self.bits) - self.bit_count > src_index >= 0:
new_bits[dst_index + 2] = self.bits[src_index + 2]
new_bits[dst_index + 1] = self.bits[src_index + 1]
new_bits[dst_index] = self.bits[src_index]
else:
new_bits[dst_index + 2] = i_to_bytes(255, 1)
new_bits[dst_index + 1] = i_to_bytes(255, 1)
new_bits[dst_index] = i_to_bytes(255, 1)
self.bits = new_bits
self.biWidth = i_to_bytes(w, 4)
self.biHeight = i_to_bytes(h, 4)
要注意的问题是：
在for循环中的 x 是实际图像的 高
在for循环中的 y是实际图像中的宽
之前没注意该问题，直接套公式，结果一直有问题。
我目前只是初版，选择90°效果还行，其他度数的话，代码可能要进行改动。
我这里是默认逆时针旋转90°
效果如下：
图6 逆时针旋转90°
到此，预期实现功能结束。
因为我所在地区比较偏远，github访问不便，等会上传成功后，给出源码链接
github:
