基本图像操作和处理(python)

骑猪看日落 2023-06-01 06:06 115阅读 0赞

[PIL][]提供了通用的图像处理功能，以及大量的基本图像操作，如图像缩放、裁剪、旋转、颜色转换等。

[Matplotlib][]提供了强大的绘图功能，其下的pylab/pyplot接口包含很多方便用户创建图像的函数。

为了观察和进一步处理图像数据，首先需要加载图像文件，并且为了查看图像数据，我们需要将其绘制出来。

from PIL import Image import matplotlib.pyplot as plt import numpy as np # 加载图像 img = Image.open("tmp.jpg") # 转为数组 img_data = np.array(img) # 可视化 plt.imshow(img_data) plt.show()

对于图像，我们常见的操作有调整图像尺寸，旋转图像以及灰度变换

from PIL import Image import matplotlib.pyplot as plt img = Image.open("girl.jpg") plt.figure() # 子图 plt.subplot(221) # 原图 plt.imshow(img) plt.subplot(222) # 将图像缩放至 256 * 256 plt.imshow(img.resize((256, 256))) plt.subplot(223) # 将图像转为灰度图 plt.imshow(img.convert('L')) plt.subplot(224) # 旋转图像 plt.imshow(img.rotate(45)) # 保存图像 plt.savefig("tmp.jpg") plt.show()

效果演示 ：  
![1503464-20190905210234525-1188098313.jpg][]

在平常的使用中，绘制图像的轮廓也经常被使用，因为绘制轮廓需要对每个坐标(x, y)的像数值施加同一个阙值，所以需要将图像灰度化

from PIL import Image import matplotlib.pyplot as plt import numpy as np img = Image.open("girl.jpg") gray_img = np.array(img.convert('L')) plt.figure() # 绘制图像灰度化 plt.gray() # 关闭坐标轴 plt.axis('off') # 绘制灰度图像 plt.contour(gray_img, origin='image') plt.figure() # 绘制直方图,flatten()表示将数组展平 plt.hist(gray_img.flatten(), 128) plt.show()

轮廓图及直方图：

![1503464-20190905210252780-1853088814.jpg][]![1503464-20190905210318618-32064277.jpg][]

图像的直方图用来表征该图像的像素值的分布情况。用一定数目的小区间来指定表征像素值的范围，每个小区间会得到落入该小区间表示范围的像素数目。hist()函数用于绘制图像的直方图，其只接受一维数组作为第一个参数输入，其第二个参数用于指定小区间的数目。

有时用户需要和应用进行交互，如在一幅图像中标记一些点。Pylab/pyplot库中的ginput()函数就可以实现交互式标注

from PIL import Image import matplotlib.pyplot as plt img = Image.open(r"girl.jpg") plt.imshow(img) x = plt.ginput(3) print("clicked point: ", x)

注：该交互在集成编译环境(pyCharm)中如果不能调出交互窗口则无法进行点击，可以在命令窗口下成功执行。

以上我们通过numpy的array()函数将Image对象转换成了数组，以下将展示如何从数组转换成Image对象

from PIL import Image import numpy as np img = Image.open(r"girl.jpg") img_array = np.array(img) img = Image.fromarray(img_array)

在图像灰度变换中有一个非常有用的例子就是**直方图均衡化**。直方图均衡化是指将一幅图像的灰度直方图变平，使变换后的图像中每个灰度值的分布概率都相同。直方图均衡化通常是对图像灰度值进行归一化的一个非常好的方法，并且可以增强图像的对比度。

直方图均衡化的变换函数是图像中像素值的**累积分布函数**(cumulative distribution function，将像素值的范围映射到目标范围的归一化操作)。

from PIL import Image import matplotlib.pyplot as plt import numpy as np def histogram_equalization(img: np, nbr_bins=256): imhist, bins = np.histogram(img.flatten()) cdf = imhist.cumsum() # 累计分布函数 # 归一化 cdf = 255 * cdf / cdf[-1] # 使用累积分布函数进行线性插值，计算新的像素值 img2 = np.interp(img.flatten(), bins[:-1], cdf) return img2.reshape(img.shape), cdf img = Image.open(r"girl.jpg").convert('L') img2, cdf = histogram_equalization(np.array(img)) plt.figure() plt.gray() # 绘制子图 plt.subplot(232) # 变换函数 plt.plot(cdf) plt.subplot(231) plt.hist(np.array(img).flatten(), 256) # 关闭坐标轴，对上一个子图有效 plt.axis('off') plt.subplot(233) plt.hist(np.array(img2).flatten(), 256) plt.axis('off') plt.subplot(234) plt.imshow(img) plt.axis('off') plt.subplot(236) plt.imshow(img2) plt.axis('off') # 保存绘制图像 plt.savefig("tmp.jpg") plt.show()

处理结果

![1503464-20190905210346464-139538046.jpg][]

可见，直方图均衡化的图像的对比度增强了，原先图像灰色区域的斜街变得清晰。  
PCA(Principal Component Analysis, 主成分分析)是一个非常有用的降维技巧，它可以在使用尽可能少的维数的前提下，尽可能多地保持训练数据的信息。详细介绍及使用见我的另一篇文章：[PCA降维][PCA]

[SciPy][]是建立在Numpy基础上，用于数值运算的开源工具包。Scipy提供很多高效的操作，可以实现数值积分、优化、统计、信号处理，以及对我们来说最为重要的图像处理功能。

图像的**高斯模糊**是非常经典的图像卷积例子。本质上，图像模糊就是将(灰度)图像 \\(I\\) 和一个高斯核进行卷积操作：  
\\\[ I\_\\sigma = I \* G\_\\sigma \\\]  
其中， \\(\*\\) 表示卷积操作；\\(G\\) 表示标准差为 \\(\\sigma\\) 的二维高斯核，定义为：  
\\\[ G\_\\sigma = \\frac\{1\}\{2\\pi \\sigma^2\} e^\{-(x^2+y^2) / 2 \\sigma^2\} \\\]  
高斯模糊通常是其他图像处理操作的一部分，比如图像插值操作、兴趣点计算以及其他应用。

Scipy有用来做滤波操作的scipy.ndimage.filters模块。该模块使用快速一维分离的方式来计算卷积。使用方式：

from PIL import Image import numpy as np from scipy.ndimage import filters img = Image.open(r"girl.jpg").convert('L') img = np.array(img) img2 = filters.gaussian_filter(img, 2) img3 = filters.gaussian_filter(img, 5) img4 = filters.gaussian_filter(img, 10)

绘制结果  
![1503464-20190905210404352-2084982910.jpg][]

上面使用的gaussian\_filter()函数中的后一个参数表示标准差 \\(\\sigma\\) ，可见随着 \\(\\sigma\\) 的增加，图像变得越来越模糊。 \\(\\sigma\\) 越大，处理后图像细节丢失越多。如果是打算模糊一幅彩色图像，只需要简单地对每一个颜色通道进行高斯模糊：

from PIL import Image import numpy as np from scipy.ndimage import filters img = Image.open(r"girl.jpg") img = np.array(img) img2 = np.zeros(img.shape) for i in range(img2.shape[2]): img2[:, :, i] = filters.gaussian_filter(img[:, :, i], 5) # 将像素值用八位表示 img2 = np.array(img2, 'uint8')

模糊结果：  
![1503464-20190905210414553-790194376.jpg][]

在很多应用中，图像强度的变化情况是非常重要的，强度的变化可以使用灰度图像的 \\(x\\) 和 \\(y\\) 方向导数 \\(I\_x\\) 和 \\(I\_y\\)进行描述

图像的梯度向量为 \\(\\bigtriangledown I = \[I\_x, I\_y\]^T\\)。梯度有两个重要属性，一是梯度的大小：  
\\\[ | \\bigtriangledown I | = \\sqrt\{I\_x^2 + I\_y^2\} \\\]  
它描述了图像强度变化的强弱，另一个是图像的角度：  
\\\[ \\alpha = arctan2(I\_x, I\_y) \\\]  
它描述了图像在每个点上强度变化最大的方向。Numpy中的arctan2()函数返回弧度表示的有符号角度，角度的变化区间为 \\((-\\pi, \\pi)\\)  
可以使用离散近似的方式来计算图像的导数。图像倒数大多数可以通过卷积简单地实现：  
\\\[ I\_x = I\*D\_x 和 I\_y = I\*D\_y \\\]  
对于 \\(D\_x\\) 和 \\(D\_y\\)，通常选择Prewitt滤波器：  
\\\[ D\_x = \\left\[ \\begin\{matrix\} -1 & 0 & 1 \\\\ -1 & 0 & 1 \\\\ -1 & 0 & 1 \\end\{matrix\} \\right\] \\\]  
和  
\\\[ D\_y = \\left\[ \\begin\{matrix\} -1 & -1 & -1 \\\\ 0 & 0 & 0 \\\\ 1 & 1 & 1 \\end\{matrix\} \\right\] \\\]  
或者Sobel滤波器  
\\\[ D\_x = \\left\[ \\begin\{matrix\} -1 & 0 & 1 \\\\ -2 & 0 & 2 \\\\ -1 & 0 & 1 \\end\{matrix\} \\right\] \\\]  
和  
\\\[ D\_y = \\left\[ \\begin\{matrix\} -1 & -2 & -1 \\\\ 0 & 0 & 0 \\\\ 1 & 2 & 1 \\end\{matrix\} \\right\] \\\]  
这些导数滤波器可以使用scipy.ndimage.filters模块地标准卷积操作来简单地实现

from PIL import Image import numpy as np from scipy.ndimage import filters img = Image.open(r"girl.jpg").convert('L') img = np.array(img) imgx = np.zeros(img.shape) # Sobel导数滤波器 filters.sobel(img, 1, imgx) imgy = np.zeros(img.shape) filters.sobel(img, 0, imgy) magnitude = np.sqrt(imgx**2+imgy**2)

![1503464-20190905210432354-1164564474.jpg][]

sobel()函数的第二个参数选择 \\(x\\) 或 \\(y\\) 方向的导数，第三个参数保存输出变量。在图像中，正导数显示为亮的像素，负导数显示为暗的像素，灰色区域表示导数的值接近零。

上面计算图像导数的方法存在缺陷：在该方法中，滤波器的尺度需要随着图像分辨率的变化而变化(?)。为了在图像噪声方面更稳健，以及在任意尺度上计算导数，我们可以使用**高斯导数滤波器：**  
\\\[ I\_x = I \* G\_\{\\sigma x\} 和 I\_y = I\*G\_\{\\sigma y\} \\\]  
其中，\\(G\_\{\\sigma x\}\\) 和\\(G\_\{\\sigma y\}\\)表示\\(G\_\\sigma\\) 在 \\(x\\) 和 \\(y\\) 方向上的导数，\\(G\_\\sigma\\) 表示标准差为 \\(\\sigma\\) 的高斯函数。以下给出使用样例：

from PIL import Image import matplotlib.pyplot as plt import numpy as np from scipy.ndimage import filters img = Image.open(r"girl.jpg").convert('L') img = np.array(img) sigma = 2 imgx = np.zeros(img.shape) imgy = np.zeros(img.shape) filters.gaussian_filter(img, (sigma, sigma), (0, 1), imgx) filters.gaussian_filter(img, (sigma, sigma), (1, 0), imgy) magnitude = np.sqrt(imgx**2+imgy**2)

结果演示：  
![1503464-20190905210442357-1035531989.jpg][]

在对图像进行处理时，去噪也是很重要的一环。**图像去噪**是在去除图像噪声的同时，尽可能地保留图像细节和结构地处理技术，以下给出使用ROF去噪模型地Demo:

from PIL import Image import matplotlib.pyplot as plt import numpy as np from scipy.ndimage import filters def de_noise(img, U_init, tolerance=0.1, tau=0.125, tv_weight=100): U = U_init Px = Py = img error = 1 while error > tolerance: Uold = U # 变量U梯度的x分量 gradUx = np.roll(U, -1, axis=1)-U # 变量U梯度的y分量 gradUy = np.roll(U, -1, axis=0)-U # 更新对偶变量 PxNew = Px + (tau/tv_weight)*gradUx PyNew = Py + (tau/tv_weight)*gradUy NormNew = np.maximum(1, np.sqrt(PxNew**2+PyNew**2)) # 更新x,y分量 Px = PxNew / NormNew Py = PyNew / NormNew # 更新原始变量 RxPx = np.roll(Px, 1, axis=1) # 将x分量向x轴正方向平移 RyPy = np.roll(Py, 1, axis=0) # 将y分量向y轴正方向平移 DivP = (Px - RxPx) + (Py - RyPy) # 对偶域散度 U = img + tv_weight * DivP error = np.linalg.norm(U - Uold)/np.sqrt(img.shape[0] * img.shape[1]) return U, img-U if __name__ == '__main__': im = np.zeros((500, 500)) im[100:400,100:400] = 128 im[200:300, 200:300] = 255 im = im + 30 * np.random.standard_normal((500, 500)) U, T = de_noise(im, im) G = filters.gaussian_filter(im, 10) plt.figure() plt.gray() plt.subplot(221).set_title("Original image") plt.axis('off') plt.imshow(im) plt.subplot(222).set_title("Gauss blurred image") plt.axis('off') plt.imshow(G) plt.subplot(223).set_title("ROF") plt.axis('off') plt.imshow(U) plt.savefig('tmp.jpg') plt.show()

结果演示  
![1503464-20190905210459377-1419732481.jpg][]

ROF去噪后的图像保留了边缘和图像的结构信息，同时模糊了“噪声”。

np.roll()函数可以循环滚动元素，np.linalg.norm()用于衡量两个数组间的差异。

之后有空将补充图像去噪

**参考书籍**  
Python计算机视觉

转载于:https://www.cnblogs.com/zhhfan/p/11469803.html

[PIL]: http://www.pythonware.com/products/pil
[Matplotlib]: http://matplotlib.sourceforge.net/
[1503464-20190905210234525-1188098313.jpg]: /images/20230601/82872d2fe3e64fe0a345e649b49bfd6d.png
[1503464-20190905210252780-1853088814.jpg]: https://img2018.cnblogs.com/blog/1503464/201909/1503464-20190905210252780-1853088814.jpg
[1503464-20190905210318618-32064277.jpg]: /images/20230601/e0f11660722c41e088e216f6e319907e.png
[1503464-20190905210346464-139538046.jpg]: /images/20230601/a674b54ab7ec41b1a08f0e87e0e81b7d.png
[PCA]: https://www.cnblogs.com/zhhfan/
[SciPy]: http://scipy.org/
[1503464-20190905210404352-2084982910.jpg]: /images/20230601/b283a27af7ad45c9b8ace3791a090758.png
[1503464-20190905210414553-790194376.jpg]: /images/20230601/f670ed26359f48aa955b2dad81577780.png
[1503464-20190905210432354-1164564474.jpg]: /images/20230601/15e80474b356405dbc6419c3f5146eab.png
[1503464-20190905210442357-1035531989.jpg]: /images/20230601/64113c83b760441d9de5c79d365b55a0.png
[1503464-20190905210459377-1419732481.jpg]: /images/20230601/2d0711c055424a42bdc9d542529a517b.png