Python计算机视觉编程-第一章 图像处理基础
图像处理基础
测试1：PIL：Python图像处理类库
PIL（Python Imaging Library，图像处理库）提供了通用的图像处理功能，以及大量有用的基本图像操作。PIL库已经集成在Anaconda库中，推荐使用Anaconda，简单方便，常用库都已经集成。也可以安装python(x,y)，但是我一直安装失败，所以就没有装，没有安装也可以自己导入，比如我就是用的pycharm自己导入。
如果安装失败，可以添加一些镜像网站，在进行下载
代码不报错之后，运行代码：
测试代码：
# -*- coding: utf-8 -*- from PIL import Image from pylab import * # 添加中文字体支持 from matplotlib.font_manager import FontProperties font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14) figure() pil_im = Image.open('E:/迅雷下载/test_pic/pic1.jpg') gray() subplot(121) title(u'原图',fontproperties=font) axis('off') imshow(pil_im) pil_im = Image.open('E:/迅雷下载/test_pic/pic1.jpg').convert('L') subplot(122) title(u'灰度图',fontproperties=font) axis('off') imshow(pil_im) show()
python的代码基本和matlab一致，大概能理解
测试2：图像轮廓和直方图
当在处理数学及绘图或在图像上描点、画直线、曲线时，Matplotlib是一个很好的绘图库，它比PIL库提供了更有力的特性。导入库的方法如上，或者按快捷键alt+enter直接导入
运行结果：
测试代码：
# -*- coding: utf-8 -*- from PIL import Image from pylab import * # 添加中文字体支持 from matplotlib.font_manager import FontProperties font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14) im = array(Image.open('E:/迅雷下载/test_pic/pic1.jpg').convert('L')) # 打开图像，并转成灰度图像 figure() subplot(121) gray() contour(im, origin='image') axis('equal') axis('off') title(u'图像轮廓', fontproperties=font) subplot(122) hist(im.flatten(), 128) title(u'图像直方图', fontproperties=font) plt.xlim([0,260]) plt.ylim([0,11000]) show()
总结：
Image.open——>打开一幅图像 Image.open('图片路径/图片名称.jpg')
array（'图片'）——>转换成灰度图像
利用hist来绘制直方图：第一个参数为一个一维数组（因为hist只接受一维数组作为输入，所以要用flatten()方法将任意数组按照行优先准则转化成一个一维数组）。第二个参数指定bin的个数
hist(im.flatten(), 128)
测试3：高斯滤波
原理：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）图像和一个高斯核进行卷积操作
滤波操作模块——scipy.ndimage.filters 该模块可以使用快速一维分离的方式来计算卷积
运行结果：
测试代码：
# -*- coding: utf-8 -*- from PIL import Image from pylab import * from scipy.ndimage import filters # 添加中文字体支持 from matplotlib.font_manager import FontProperties font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14) #im = array(Image.open('board.jpeg')) im = array(Image.open('E:/迅雷下载/test_pic/pic1.jpg').convert('L')) figure() gray() axis('off') subplot(1, 4, 1) axis('off') title(u'原图', fontproperties=font) imshow(im) for bi, blur in enumerate([2, 5, 10]): im2 = zeros(im.shape) im2 = filters.gaussian_filter(im, blur) im2 = np.uint8(im2) imNum=str(blur) subplot(1, 4, 2 + bi) axis('off') title(u'标准差为'+imNum, fontproperties=font) imshow(im2) #如果是彩色图像，则分别对三个通道进行模糊 #for bi, blur in enumerate([2, 5, 10]): # im2 = zeros(im.shape) # for i in range(3): # im2[:, :, i] = filters.gaussian_filter(im[:, :, i], blur) # im2 = np.uint8(im2) # subplot(1, 4, 2 + bi) # axis('off') # imshow(im2) show()
总结：标准差越大，图像越来越模糊，
测试4：直方图均衡化
原理：直方图均衡化指将一幅图像的灰度直方图变平，使得变换后的图像中每个灰度值的分布概率都相同，该方法是对灰度值归一化的很好的方法，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，简写为 cdf，将像素值的范围映射到目标范围的归一化操作）
运行结果：
测试代码：
# -*- coding: utf-8 -*- from PIL import Image from pylab import * from PCV.tools import imtools # 添加中文字体支持 from matplotlib.font_manager import FontProperties font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14) im = array(Image.open('E:/迅雷下载/test_pic/pic1.jpg').convert('L')) # 打开图像，并转成灰度图像 #im = array(Image.open('../data/AquaTermi_lowcontrast.JPG').convert('L')) im2, cdf = imtools.histeq(im) figure() subplot(2, 2, 1) axis('off') gray() title(u'原始图像', fontproperties=font) imshow(im) subplot(2, 2, 2) axis('off') title(u'直方图均衡化后的图像', fontproperties=font) imshow(im2) subplot(2, 2, 3) axis('off') title(u'原始直方图', fontproperties=font) #hist(im.flatten(), 128, cumulative=True, normed=True) hist(im.flatten(), 128, normed=True) subplot(2, 2, 4) axis('off') title(u'均衡化后的直方图', fontproperties=font) #hist(im2.flatten(), 128, cumulative=True, normed=True) hist(im2.flatten(), 128, normed=True) show()
总结：
图像中像素值的累积分布函数（cdf）是可以将像素值的范围映射到目标范围的归一化操作
因为histeq 函数放到imtools,py中去了，所以调用的时候，需要import imtools——> im2, cdf = imtools.histeq(im)
此时im2就是经过均衡化后的图像了。
代码参考：
http://yongyuan.name/pcvwithpython/chapter1.html
