Python圖像處理庫處理步驟
探索Python圖像處理庫
0. 前言
和多數(shù)編程任務類似，在編寫圖像處理應用程序時，我們無需重復“造輪子”的過程，利用 Python 強大且豐富的第三方庫能夠大量縮減應用程序的編寫時間，達到事半功倍的效果。在本節(jié)中，我們將學習使用不同的 Python 庫實現(xiàn)一些常見的圖像處理、變換和可視化技術，這些技術通常可以用作更復雜的圖像處理任務的基本預處理/后處理步驟。
1. 利用 scikit-image 繪制圖像
scikit-image 是基于 scipy 的圖像處理庫，它將圖片作為 Numpy 數(shù)組進行處理。在本小節(jié)中，我們將介紹如何在圖像中添加隨機噪聲添加到圖像(具有不同的方差 sigma σ \sigma σ )以創(chuàng)建帶有噪聲的圖像，然后創(chuàng)建圖像蒙太奇效果。
(1) 首先導入所需的庫，并使用 imread() 函數(shù)讀取輸入 RGB 圖像：
from skimage.io import imread
from skimage.util import random_noise, montage
import matplotlib.pyplot as plt
import numpy as np
im = imread("1.jpg")(2) 使用 scikit-image 模塊的函數(shù) random_noise()，通過添加具有給定方差的高斯隨機噪聲，利用輸入圖像創(chuàng)建帶有噪聲的圖像。根據(jù) scikit-image 文檔所示，函數(shù) random_noise() 函數(shù)的用法如下：
skimage.util.random_noise(image, mode='gaussian', seed=None, clip=True, **kwargs)
使用以上函數(shù)通過向輸入圖像添加具有不同方差的隨機高斯噪聲來生成噪聲圖像。
(3) 使用 NumPy 函數(shù) np.linspace() 從 0 到 1 (按值的遞增順序)生成 9 個不同的 σ \sigma σ 值：
# 在 0 到 1 區(qū)間內(nèi)創(chuàng)建 包含9 個點的等差序列，作為標準差
sigmas = np.linspace(0, 1, 9)
noisy_images = np.zeros((9, im.shape[0], im.shape[1], im.shape[2]))
for i in range(len(sigmas)):
# 用不同的 Sigma 值在圖像中添加高斯隨機噪聲
noisy_images[i,:,:,:] = random_noise(im, var=sigmas[i]**2)(4) 使用 scikit image-util 模塊的函數(shù) montage() 創(chuàng)建含噪圖像的蒙太奇效果圖像。montage() 函數(shù)接受有噪圖像 ndarray 作為輸入?yún)?shù)，并在網(wǎng)格中顯示圖像。scikit-image 函數(shù) montage() 的調(diào)用方法如下，利用該函數(shù)可以創(chuàng)建多個單通道或多通道圖像的蒙太奇效果圖像：
noisy_images_montage = montage(noisy_images, rescale_intensity=True, multichannel=True) # 創(chuàng)建蒙太奇
(5) 最后，繪制噪聲圖像的蒙太奇效果圖像：
plt.figure(figsize=(15,15))
plt.imshow(noisy_images_montage)
plt.title('Noisy montage', size=15)
plt.axis('off')
plt.show()
2. 使用 SciPy 模塊裁剪/調(diào)整圖像大小
調(diào)整圖像大小/裁剪圖像是一項常見且重要的預處理步驟，例如，深度學習模型需要將輸入圖像調(diào)整為同一大小。在本小節(jié)中，我們將學習如何使用 scipy.ndimage 模塊的 zoom() 函數(shù)縮放圖像，然后介紹如何使用 Numpy ndarray 切片語法裁剪圖像。
(1) 首先，從 Python 庫模塊導入所需的函數(shù)：
from scipy import ndimage import matplotlib.pyplot as plt from skimage.io import imread
(2) 讀取輸入圖像并使用 scipy.ndimage.zoom() 函數(shù)縮放圖像。根據(jù) SciPy 文檔所述，zoom() 函數(shù)的調(diào)用方式如下：
scipy.ndimage.zoom(input, zoom, output=None, order=3, mode='constant', cval=0.0, prefilter=True)
zoom() 函數(shù)默認使用樣條插值縮放陣列，在函數(shù)中通過指定 “nearest” 模式執(zhí)行樣條插值，樣條插值將通過復制最近的像素來擴展輸入圖像。我們可以分別指定每個軸的縮放因子，由于我們不需要在顏色通道上縮放，所以通道上的縮放因子指定為 1，而寬度和高度維度的縮放因子指定為 2，樣條插值的階 (order)，默認為 3，階是 [0, 5] 范圍內(nèi)的整數(shù)：
im = imread('1.jpg') / 255
zoomed_im = ndimage.zoom(im, (2,2,1), mode='nearest', order=1) # 縮放圖像
print(im.shape, zoomed_im.shape)(3) 最后，使用 NumPy ndarray 切片語法通過裁剪圖像顯示原始圖像和縮放后的圖像：
plt.figure(figsize=(20,10))
plt.subplot(121)
plt.imshow(im)
plt.title('Original Image', size=25)
plt.subplot(122)
plt.imshow(zoomed_im[125:325,375:550,:]) # 裁剪圖像
plt.title('Zoomed and Cropped Image', size=25)
plt.show()
3. 使用 OpenCV 繪制輪廓
3.1 輪廓簡介
輪廓可以簡單地理解為連接圖像中對象所有邊界連續(xù)點的曲線，輪廓通常具有相同的顏色或強度。輪廓是形狀分析、物體檢測等應用中的重要工具。為了得到更好的輪廓精度，可以使用二值圖像檢測對象輪廓。因此，在檢測圖像輪廓之前，通常需要對圖像應用閾值處理或 Canny 邊緣檢測算法。
在 OpenCV 中，可以使用 cv2.threshold() 函數(shù)使用固定閾值創(chuàng)建二值圖像：
cv2.threshold(img, thresh, maxval, type)
使用 Canny 算法檢測圖像邊緣：
Canny(img, threshold1, threshold2, apertureSize = 3, L2gradient = false)
Canny() 函數(shù)將輸入灰度圖像和兩個滯后閾值(最大閾值和最小閾值)作為輸入，其核心思想在于，當像素值>最大閾值時，其被視為強邊緣像素，而在最小閾值和最大閾值之間的像素值被認為是弱邊緣像素。強邊將包含在邊緣圖中，而弱邊僅當它們連接到強邊時才會包含在邊緣圖中，通常，上閾值的大小為下閾值的 1.5–2 倍。
使用 findContours() 函數(shù)可以計算灰度圖像的輪廓。首先，需要使用以上兩個函數(shù)將圖像轉換為二值圖像，然后計算圖像輪廓。此外，需要注意的是，使用 OpenCV 函數(shù)查找輪廓需要從黑色背景中查找白色對象，要檢測的對象是白色的，背景是黑色的。findContours() 函數(shù)接受三個參數(shù)，用于查找二值圖像中的輪廓：
cv2.findContours(img, mode, method)
3.2 繪制輪廓
(1) 首先，導入所需的庫。使用 OpenCV 的 imread() 函數(shù)從磁盤讀取輸入圖像，OpenCV 以 BGR 格式存儲 RGB 圖像，如果想要使用 matplotlib.pyplot 正確顯示，我們需要使用 cv2.cvtClor() 函數(shù)將其轉換為 RGB 格式，然后繪制圖像：
import cv2
import numpy as np
import matplotlib.pyplot as plt
image = cv2.imread("1.jpg")
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) # 將 BGR 模式轉換為 RGB(2) 將圖像轉換為灰度圖像，并使用具有合適滯后閾值的 Canny 邊緣檢測器來查找圖像中的邊緣，然后從二值邊緣圖像中檢測輪廓：
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
edged = cv2.Canny(gray, 125, 250)
contours_edged, _ = cv2.findContours(edged, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
print("Number of Contours found with Canny edges = " + str(len(contours_edged)))或者使用閾值函數(shù)將灰度圖像轉換為二值圖像，然后根據(jù)閾值圖像中查找輪廓：
ret, thresh = cv2.threshold(gray, 127, 255, 0)
contours_thresh, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
print("Number of Contours found with threshold = " + str(len(contours_thresh)))(3) 使用 matplotlib.pyplot 模塊的 imshow() 函數(shù)顯示原始圖像、閾值圖像和輪廓圖像：
plt.figure(figsize=(20,15))
plt.subplot(221), plt.imshow(image), plt.title('Original Image', size=10), plt.axis('off')
plt.subplot(222), plt.imshow(thresh, cmap='gray'), plt.title('Threshold Image', size=10), plt.axis('off')
plt.subplot(223), plt.imshow(edged, cmap='gray'), plt.title('Canny Edges Image', size=10), plt.axis('off')
plt.subplot(224), plt.imshow(cv2.drawContours(np.copy(image), contours_thresh, -1, (0,255,0), 3))
plt.title('Contour Lines with Threshold Image', size=10), plt.axis('off')
(4) 最后，從邊緣二值圖像中繪制前 n＝200 個輪廓：
n = 200
plt.figure(figsize=(7,7))
colors = plt.cm.coolwarm(np.linspace(0, 1, n))
for i in range(n):
image = cv2.drawContours(image, contours_edged, i, 255*colors[i], 3)
plt.imshow(image)
plt.title('First ' + str(n) + ' Contour lines with Canny Edges', size=10), plt.axis('off')
plt.tight_layout()
plt.show()
4. 使用 OpenCV 統(tǒng)計圖像中的對象數(shù)量
接下來，我們學習使用 OpenCV 的 findContours() 函數(shù)來統(tǒng)計圖像中的對象數(shù)，我們以從輸入圖像中計算孟加拉語字母數(shù)量為例。
(1) 導入所需的庫后，將圖像轉換為灰度圖像，并使用 Canny 邊緣檢測器：
import cv2
import numpy as np
import matplotlib.pylab as plt
image = cv2.imread('2.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
edged = cv2.Canny(gray, 75, 150)(2) 使用形態(tài)學閉運算函數(shù) morphologyEx() 刪除圖像中的小孔，改進檢測質(zhì)量：
thresh = cv2.threshold(gray, 215, 255, cv2.THRESH_BINARY_INV)[1] kernel = np.ones((2,2),np.uint8) thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)
(3) 最后，使用 findContours() 函數(shù)查找所有對象輪廓，并使用 drawContours() 函數(shù)迭代繪制這些輪廓：
cnts, _ = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
output = image.copy()
for c in cnts:
cv2.drawContours(output, [c], -1, (0, 0, 255), 2) (4) 繪制原始圖像、二值圖像和輸出圖像：
text = "Found {} objects".format(len(cnts))
cv2.putText(output, text, (50, 220), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 2)
plt.figure(figsize=(20,7))
plt.subplot(131), plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB)), plt.axis('off'), plt.title('Original image', size=10)
plt.subplot(132), plt.imshow(thresh, cmap='gray'), plt.axis('off'), plt.title('Binary image', size=10)
plt.subplot(133), plt.imshow(cv2.cvtColor(output, cv2.COLOR_BGR2RGB)), plt.axis('off'), plt.title('Counting objects', size=10)
plt.show()
5. 使用 PIL 將彩色圖像轉換為灰度圖像
在本小節(jié)中，我們將學習 PIL 圖像模式以及如何將帶有調(diào)色板的 PNG 彩色圖像轉換為灰度圖像。要完成圖像轉換任務，最簡單的方法是使用 convert() 函數(shù)將圖像的色彩模式從彩色圖像轉換為灰度圖像。
5.1 使用 convert() 函數(shù)
(1) 首先，導入所需的庫，并使用 PIL 圖像類的方法將圖像從磁盤讀取到圖像對象，使用 matplotlib 繪制原始 PNG 圖像：
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt
img = Image.open('1.jpg')
print(img.mode)
plt.imshow(img)
plt.axis('off')
plt.title('Original Image')
plt.show()
(2) 接下來，在 image 對象上，需要調(diào)用方法 convert() 轉換圖像色彩模式，將其轉換為灰度圖像，然后繪制輸出圖像：
img = img.convert('RGB').convert('L')
print(img.mode)
plt.imshow(img, cmap='gray')
plt.axis('off')
plt.title('Grayscale Image')
plt.show()
5.2 將帶有調(diào)色板的 PNG 圖像轉換為灰度圖像
還有另一種使用 PIL 庫將圖像轉換為灰度圖像的方法，相較于上一種方法，這是一種更復雜的方式。但使用這種方法可以令我們明確理解圖像如何以 PIL 格式進行存儲。
(1) 首先導入所有所需的庫，并定義函數(shù) rgb2gray() 以從 RGB 彩色圖像計算灰度圖像強度值，讀取 PNG 圖像并提取圖像調(diào)色板：
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt
def rgb2gray(R, G, B):
return 0.2989 * R + 0.5870 * G + 0.1140 * B
img = Image.open('2.jpg') # 讀取 jpg 圖像
pal = img.getpalette() # 獲取調(diào)色板(2) 使用 PIL image 類的 getpixel() 方法計算圖像中每個像素值的調(diào)色板索引。使用計算的索引從圖像調(diào)色板中獲取每個像素的 R、G 和 B 值。最后，使用自定義 rgb2gray() 函數(shù)(或使用 scikit-image.color 模塊中的相同函數(shù))計算與圖像中相同位置對應的輸出像素的灰度強度值：
arr = np.zeros((img.height, img.width)) # 初始化輸出圖像
for i in range(arr.shape[0]):
for j in range(arr.shape[1]):
idx = img.getpixel((j,i)) # 獲取調(diào)色板中像素的索引
R, G, B = pal[3*idx], pal[3*idx+1], pal[3*idx+2] # 獲取像素 R,G,B 值
arr[i,j] = rgb2gray(R, G, B) # 轉換為灰度圖像(3) 繪制輸出圖像：
plt.subplot(121)
plt.imshow(img)
plt.title('Origial Image')
plt.axis('off')
plt.subplot(122)
plt.imshow(arr, cmap='gray')
plt.title('Grayscale Image')
plt.axis('off')
plt.show()
6. 使用 SciPy 旋轉圖像
有時，我們可能需要幾何變換作為圖像處理任務中的預處理步驟。在本小節(jié)中，我們將學習如何使用 scipy.ndimage 模塊中的 rotate() 函數(shù)旋轉圖像。接下來，我們將逆時針旋轉圖像一定的角度，并使用樣條插值。
(1) 從相應的 Python 庫模塊導入所需的函數(shù)，讀取彩色輸入圖像：
from scipy.ndimage import rotate
from skimage.io import imread
from matplotlib import pyplot as plt
im = imread('1.jpg')(2) 應用 SciPy 庫的 rotate() 函數(shù)，ndimage 模塊根據(jù)輸入圖像與旋轉值執(zhí)行旋轉變換，逆時針旋轉按照慣例應當以正角度表示，而順時針則以負角度表示：
im = rotate(im, -45)
plt.figure(figsize=(5,5))
plt.imshow(im)
plt.axis('off')
plt.show()
小結
在本節(jié)中，我們介紹了多個用于圖像處理的流行 Python 第三方庫，利用這些圖像處理庫我們可以輕松的執(zhí)行基本的圖像變換操作。本節(jié)我們重點介紹了如何利用 scikit-image 繪制圖像、使用 PIL 庫修改圖像模式、利用 SciPy 庫調(diào)整圖像大小以及進行簡單的幾何變換、同時介紹了輪廓的基本概念并學習了如何提取對象輪廓、進一步我們可以根據(jù)輪廓可以統(tǒng)計圖像中的目標數(shù)量。
到此這篇關于Python圖像處理探索之Python圖像處理庫的文章就介紹到這了,更多相關Python圖像處理庫內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
這篇文章主要介紹了VSCode2022配置Python3.9.6教程,本文給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2022-09-09
python實現(xiàn)根據(jù)月份和日期得到星座的方法
這篇文章主要介紹了python實現(xiàn)根據(jù)月份和日期得到星座的方法,涉及Python操作字符串及數(shù)組的技巧,非常具有實用價值,需要的朋友可以參考下2015-03-03
這篇文章主要介紹了Pycharm中安裝pywin32報錯問題及解決方案，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2023-04-04
這篇文章主要介紹了python SVM算法的相關資料，幫助大家更好的利用python進行數(shù)據(jù)分析，感興趣的朋友可以了解下2020-09-09
這篇文章主要介紹了python常用程序算法，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2019-03-03
django通過ajax發(fā)起請求返回JSON格式數(shù)據(jù)的方法
這篇文章主要介紹了django通過ajax發(fā)起請求返回JSON格式數(shù)據(jù)的方法,較為詳細的分析了django處理ajax請求的技巧,需要的朋友可以參考下2015-06-06
使用pytorch提取卷積神經(jīng)網(wǎng)絡的特征圖可視化
這篇文章主要給大家介紹了關于使用pytorch提取卷積神經(jīng)網(wǎng)絡的特征圖可視化的相關資料,文中給出了詳細的思路以及示例代碼,對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2022-03-03
Python jieba 中文分詞與詞頻統(tǒng)計的操作
這篇文章主要介紹了Python jieba 中文分詞與詞頻統(tǒng)計的操作，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2021-03-03
python爬蟲把url鏈接編碼成gbk2312格式過程解析
這篇文章主要介紹了python爬蟲把url鏈接編碼成gbk2312格式過程解析,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-06-06
這篇文章主要給大家介紹了關于在Python中如何使用if語句處理列表的相關資料，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面來一起學習學習吧2019-02-02