使用Numpy和Scipy處理圖像

時間  2019-11-24
標籤 使用 numpy scipy 處理 圖像 简体版
原文   原文鏈接

Image manipulation and processing using Numpy and Scipy

翻譯自：http://scipy-lectures.github.com/advanced/image_processing/index.htmlhtml

做者：Emmanuelle Gouillart, Gaël Varoquauxpython

圖像 = 2-D 數值數組

(或者 3-D: CT, MRI, 2D + 時間; 4-D, ...)

這裏 圖像 == Numpy數組 np.array

這個教程中使用的工具：git

圖像中的常見問題有：dom

  • 輸入/輸出，呈現圖像ide

  • 基本操做：裁剪、翻轉、旋轉……

  • 圖像濾鏡：消噪，銳化

  • 圖像分割：不一樣對應對象的像素標記

更有力和完整的模塊：

目錄

打開和讀寫圖像文件

將一個數組寫入文件：

In [1]: from scipy import misc

In [2]: l = misc.lena()

In [3]: misc.imsave('lena.png', l)  # uses the Image module (PIL)

In [4]: import pylab as pl

In [5]: pl.imshow(l)
Out[5]: <matplotlib.image.AxesImage at 0x4118110>

從一個圖像文件建立數組：

In [7]: lena = misc.imread('lena.png')

In [8]: type(lena)
Out[8]: numpy.ndarray

In [9]: lena.shape, lena.dtype
Out[9]: ((512, 512), dtype('uint8'))

8位圖像(0-255)的dtype是uint8

打開一個raw文件(相機， 3-D圖像)

In [10]: l.tofile('lena.raw')  # 建立一個raw文件

In [14]: lena_from_raw = np.fromfile('lena.raw', dtype=np.int64)

In [15]: lena_from_raw.shape
Out[15]: (262144,)

In [16]: lena_from_raw.shape = (512, 512)

In [17]: import os

In [18]: os.remove('lena.raw')

須要知道圖像的shape和dtype(如何區分隔數據字節)

對於大數據，使用np.memmap進行內存映射：

In [21]: lena_memmap = np.memmap('lena.raw', dtype=np.int64, shape=(512,512))

(數據從文件讀取，而不是載入內存)

處理一個列表的圖像文件：

In [22]: for i in range(10):
   ....:     im = np.random.random_integers(0, 255, 10000).reshape((100, 100))
   ....:     misc.imsave('random_%02d.png' % i, im)
   ....:     

In [23]: from glob import glob

In [24]: filelist = glob('random*.png')

In [25]: filelist.sort()

呈現圖像

使用matplotlib和imshow將圖像呈如今matplotlib圖像(figure)中：

In [29]: l = misc.lena()

In [30]: import matplotlib.pyplot as plt

In [31]: plt.imshow(l, cmap=plt.cm.gray)
Out[31]: <matplotlib.image.AxesImage at 0x4964990>

經過設置最大最小之增長對比：

In [33]: plt.imshow(l, cmap=plt.cm.gray, vmin=30, vmax=200)
Out[33]: <matplotlib.image.AxesImage at 0x50cb790>

In [34]: plt.axis('off')  # 移除axes和ticks
Out[34]: (-0.5, 511.5, 511.5, -0.5)

繪製等高線：1

ln[7]: plt.contour(l, [60, 211])

更好地觀察強度變化，使用interpolate=‘nearest’：

In [7]: plt.imshow(l[200:220, 200:220], cmap=plt.cm.gray)
Out[7]: <matplotlib.image.AxesImage at 0x3bbe610>

In [8]: plt.imshow(l[200:220, 200:220], cmap=plt.cm.gray, interpolation='nearest')
Out[8]: <matplotlib.image.AxesImage at 0x3ed3250>

其它包有時使用圖形工具箱來可視化(GTK，Qt)：2

In [9]: import skimage.io as im_io

In [21]: im_io.use_plugin('gtk', 'imshow')

In [22]: im_io.imshow(l)

3-D可視化：Mayavi

參見可用Mayavi進行3-D繪圖和體積數據

  • 圖形平面工具

  • 等值面

  • ……

基本操做

圖像是數組：使用整個numpy機理。

basic

>>> lena = misc.lena()
>>> lena[0, 40]
166
>>> # Slicing
>>> lena[10:13, 20:23]
array([[158, 156, 157],
[157, 155, 155],
[157, 157, 158]])
>>> lena[100:120] = 255
>>>
>>> lx, ly = lena.shape
>>> X, Y = np.ogrid[0:lx, 0:ly]
>>> mask = (X - lx/2)**2 + (Y - ly/2)**2 > lx*ly/4
>>> # Masks
>>> lena[mask] = 0
>>> # Fancy indexing
>>> lena[range(400), range(400)] = 255

統計信息

>>> lena = scipy.lena()
>>> lena.mean()
124.04678344726562
>>> lena.max(), lena.min()
(245, 25)

np.histogram

幾何轉換

>>> lena = scipy.lena()
>>> lx, ly = lena.shape
>>> # Cropping
>>> crop_lena = lena[lx/4:-lx/4, ly/4:-ly/4]
>>> # up <-> down flip
>>> flip_ud_lena = np.flipud(lena)
>>> # rotation
>>> rotate_lena = ndimage.rotate(lena, 45)
>>> rotate_lena_noreshape = ndimage.rotate(lena, 45, reshape=False)

Geometrical transformations

示例源碼

圖像濾鏡

局部濾鏡：用相鄰像素值的函數替代當前像素的值。

相鄰：方形(指定大小)，圓形， 或者更多複雜的_結構元素_。

模糊/平滑

scipy.ndimage中的_高斯濾鏡_：

>>> from scipy import misc
>>> from scipy import ndimage
>>> lena = misc.lena()
>>> blurred_lena = ndimage.gaussian_filter(lena, sigma=3)
>>> very_blurred = ndimage.gaussian_filter(lena, sigma=5)

均勻濾鏡

>>> local_mean = ndimage.uniform_filter(lena, size=11)

示例源碼

銳化

銳化模糊圖像：

>>> from scipy import misc
>>> lena = misc.lena()
>>> blurred_l = ndimage.gaussian_filter(lena, 3)

經過增長拉普拉斯近似增長邊緣權重：

>>> filter_blurred_l = ndimage.gaussian_filter(blurred_l, 1)
>>> alpha = 30
>>> sharpened = blurred_l + alpha * (blurred_l - filter_blurred_l)

sharpen

示例源碼

消噪

向lena增長噪聲：

>>> from scipy import misc
>>> l = misc.lena()
>>> l = l[230:310, 210:350]
>>> noisy = l + 0.4*l.std()*np.random.random(l.shape)

_高斯濾鏡_平滑掉噪聲……還有邊緣：

>>> gauss_denoised = ndimage.gaussian_filter(noisy, 2)

大多局部線性各向同性濾鏡都模糊圖像(ndimage.uniform_filter)

_中值濾鏡_更好地保留邊緣：

>>> med_denoised = ndimage.median_filter(noisy, 3)

guassian&median

示例源碼

中值濾鏡：對直邊界效果更好(低曲率)：

>>> im = np.zeros((20, 20))
>>> im[5:-5, 5:-5] = 1
>>> im = ndimage.distance_transform_bf(im)
>>> im_noise = im + 0.2*np.random.randn(*im.shape)
>>> im_med = ndimage.median_filter(im_noise, 3)

median

示例源碼

其它排序濾波器：ndimage.maximum_filter,ndimage.percentile_filter

其它局部非線性濾波器：維納濾波器(scipy.signal.wiener)等

非局部濾波器

_總變差(TV)_消噪。找到新的圖像讓圖像的總變差(正態L1梯度的積分)變得最小，當接近測量圖像時：

>>> # from skimage.filter import tv_denoise
>>> from tv_denoise import tv_denoise
>>> tv_denoised = tv_denoise(noisy, weight=10)
>>> # More denoising (to the expense of fidelity to data)
>>> tv_denoised = tv_denoise(noisy, weight=50)

總變差濾鏡tv_denoise能夠從skimage中得到，(文檔:http://scikit-image.org/docs/dev/api/skimage.filter.html#denoise-tv)，可是爲了方便咱們在這個教程中做爲一個_單獨模塊_導入。

tv

示例源碼

數學形態學

參見：http://en.wikipedia.org/wiki/Mathematical_morphology

結構元素：

>>> el = ndimage.generate_binary_structure(2, 1)
>>> el
array([[False,  True, False],
       [ True,  True,  True],
       [False,  True, False]], dtype=bool)
>>> el.astype(np.int)
array([[0, 1, 0],
       [1, 1, 1],
       [0, 1, 0]])

腐蝕 = 最小化濾鏡。用結構元素覆蓋的像素的最小值替代一個像素值：

>>> a = np.zeros((7,7), dtype=np.int)
>>> a[1:6, 2:5] = 1
>>> a
array([[0, 0, 0, 0, 0, 0, 0],
       [0, 0, 1, 1, 1, 0, 0],
       [0, 0, 1, 1, 1, 0, 0],
       [0, 0, 1, 1, 1, 0, 0],
       [0, 0, 1, 1, 1, 0, 0],
       [0, 0, 1, 1, 1, 0, 0],
       [0, 0, 0, 0, 0, 0, 0]])
>>> ndimage.binary_erosion(a).astype(a.dtype)
array([[0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 1, 0, 0, 0],
       [0, 0, 0, 1, 0, 0, 0],
       [0, 0, 0, 1, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0]])
>>> #Erosion removes objects smaller than the structure
>>> ndimage.binary_erosion(a, structure=np.ones((5,5))).astype(a.dtype)
array([[0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0]])

erosion

膨脹：最大化濾鏡:

>>> a = np.zeros((5, 5))
>>> a[2, 2] = 1
>>> a
array([[ 0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  1.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.]])
>>> ndimage.binary_dilation(a).astype(a.dtype)
array([[ 0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  1.,  0.,  0.],
       [ 0.,  1.,  1.,  1.,  0.],
       [ 0.,  0.,  1.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.]])

對灰度值圖像也有效：

>>> np.random.seed(2)
>>> x, y = (63*np.random.random((2, 8))).astype(np.int)
>>> im[x, y] = np.arange(8)

>>> bigger_points = ndimage.grey_dilation(im, size=(5, 5), structure=np.ones((5, 5)))

>>> square = np.zeros((16, 16))
>>> square[4:-4, 4:-4] = 1
>>> dist = ndimage.distance_transform_bf(square)
>>> dilate_dist = ndimage.grey_dilation(dist, size=(3, 3), \
...         structure=np.ones((3, 3)))

gray-delation

示例源碼

開操做：腐蝕+膨脹：

應用：移除噪聲

>>> square = np.zeros((32, 32))
>>> square[10:-10, 10:-10] = 1
>>> np.random.seed(2)
>>> x, y = (32*np.random.random((2, 20))).astype(np.int)
>>> square[x, y] = 1

>>> open_square = ndimage.binary_opening(square)

>>> eroded_square = ndimage.binary_erosion(square)
>>> reconstruction = ndimage.binary_propagation(eroded_square, mask=square)

application

示例源碼

閉操做：膨脹+腐蝕

許多其它數學分形：擊中(hit)和擊不中(miss)變換，tophat等等。

特徵提取

邊緣檢測

合成數據：

>>> im = np.zeros((256, 256))
>>> im[64:-64, 64:-64] = 1
>>>
>>> im = ndimage.rotate(im, 15, mode='constant')
>>> im = ndimage.gaussian_filter(im, 8)

使用_梯度操做(Sobel)_來找到搞強度的變化：

>>> sx = ndimage.sobel(im, axis=0, mode='constant')
>>> sy = ndimage.sobel(im, axis=1, mode='constant')
>>> sob = np.hypot(sx, sy)

sob

示例源碼

canny濾鏡

Canny濾鏡能夠從skimage中獲取(文檔)，可是爲了方便咱們在這個教程中做爲一個_單獨模塊_導入：

>>> #from skimage.filter import canny
>>> #or use module shipped with tutorial
>>> im += 0.1*np.random.random(im.shape)
>>> edges = canny(im, 1, 0.4, 0.2) # not enough smoothing
>>> edges = canny(im, 3, 0.3, 0.2) # better parameters

edge

示例源碼

須要調整幾個參數……過分擬合的風險

分割

  • 基於_直方圖_的分割(沒有空間信息)

      >>> n = 10
  >>> l = 256
  >>> im = np.zeros((l, l))
  >>> np.random.seed(1)
  >>> points = l*np.random.random((2, n**2))
  >>> im[(points[0]).astype(np.int), (points[1]).astype(np.int)] = 1
  >>> im = ndimage.gaussian_filter(im, sigma=l/(4.*n))
    
  >>> mask = (im > im.mean()).astype(np.float)
  >>> mask += 0.1 * im
  >>> img = mask + 0.2*np.random.randn(*mask.shape)
    
  >>> hist, bin_edges = np.histogram(img, bins=60)
  >>> bin_centers = 0.5*(bin_edges[:-1] + bin_edges[1:])
    
  >>> binary_img = img > 0.5

segmente

示例源碼

自動閾值：使用高斯混合模型：

>>> mask = (im > im.mean()).astype(np.float)
>>> mask += 0.1 * im
>>> img = mask + 0.3*np.random.randn(*mask.shape)

>>> from sklearn.mixture import GMM
>>> classif = GMM(n_components=2)
>>> classif.fit(img.reshape((img.size, 1))) 
GMM(...)

>>> classif.means_
array([[ 0.9353155 ],
       [-0.02966039]])
>>> np.sqrt(classif.covars_).ravel()
array([ 0.35074631,  0.28225327])
>>> classif.weights_
array([ 0.40989799,  0.59010201])
>>> threshold = np.mean(classif.means_)
>>> binary_img = img > threshold

gauss-mixture

使用數學形態學來清理結果：

>>> # Remove small white regions
>>> open_img = ndimage.binary_opening(binary_img)
>>> # Remove small black hole
>>> close_img = ndimage.binary_closing(open_img)

cleanup

示例源碼

練習

參看重建(reconstruction)操做(腐蝕+傳播(propagation))產生比開/閉操做更好的結果：

>>> eroded_img = ndimage.binary_erosion(binary_img)
>>> reconstruct_img = ndimage.binary_propagation(eroded_img, mask=binary_img)
>>> tmp = np.logical_not(reconstruct_img)
>>> eroded_tmp = ndimage.binary_erosion(tmp)
>>> reconstruct_final = np.logical_not(ndimage.binary_propagation(eroded_tmp, mask=tmp))
>>> np.abs(mask - close_img).mean()
0.014678955078125
>>> np.abs(mask - reconstruct_final).mean()
0.0042572021484375

練習

檢查首次消噪步驟(中值濾波，總變差)如何更改直方圖，而且查看是否基於直方圖的分割更加精準了。

  • _基於圖像_的分割：使用空間信息

      >>> from sklearn.feature_extraction import image
  >>> from sklearn.cluster import spectral_clustering
    
  >>> l = 100
  >>> x, y = np.indices((l, l))
    
  >>> center1 = (28, 24)
  >>> center2 = (40, 50)
  >>> center3 = (67, 58)
  >>> center4 = (24, 70)
  >>> radius1, radius2, radius3, radius4 = 16, 14, 15, 14
    
  >>> circle1 = (x - center1[0])**2 + (y - center1[1])**2 < radius1**2
  >>> circle2 = (x - center2[0])**2 + (y - center2[1])**2 < radius2**2
  >>> circle3 = (x - center3[0])**2 + (y - center3[1])**2 < radius3**2
  >>> circle4 = (x - center4[0])**2 + (y - center4[1])**2 < radius4**2
    
  >>> # 4 circles
  >>> img = circle1 + circle2 + circle3 + circle4
  >>> mask = img.astype(bool)
  >>> img = img.astype(float)
    
  >>> img += 1 + 0.2*np.random.randn(*img.shape)
  >>> # Convert the image into a graph with the value of the gradient on
  >>> # the edges.
  >>> graph = image.img_to_graph(img, mask=mask)
    
  >>> # Take a decreasing function of the gradient: we take it weakly
  >>> # dependant from the gradient the segmentation is close to a voronoi
  >>> graph.data = np.exp(-graph.data/graph.data.std())
    
  >>> labels = spectral_clustering(graph, k=4, mode='arpack')
  >>> label_im = -np.ones(mask.shape)
  >>> label_im[mask] = labels

graph-base

測量對象屬性：ndimage.measurements

合成數據：

>>> n = 10
>>> l = 256
>>> im = np.zeros((l, l))
>>> points = l*np.random.random((2, n**2))
>>> im[(points[0]).astype(np.int), (points[1]).astype(np.int)] = 1
>>> im = ndimage.gaussian_filter(im, sigma=l/(4.*n))
>>> mask = im > im.mean()

  • 鏈接成分分析

    標記鏈接成分：ndimage.label

      >>> label_im, nb_labels = ndimage.label(mask)
  >>> nb_labels # how many regions?
  23
  >>> plt.imshow(label_im)        
  <matplotlib.image.AxesImage object at ...>

label

示例源碼

計算每一個區域的尺寸，均值等等：

>>> sizes = ndimage.sum(mask, label_im, range(nb_labels + 1))
>>> mean_vals = ndimage.sum(im, label_im, range(1, nb_labels + 1))

計算小的鏈接成分：

>>> mask_size = sizes < 1000
>>> remove_pixel = mask_size[label_im]
>>> remove_pixel.shape
(256, 256)
>>> label_im[remove_pixel] = 0
>>> plt.imshow(label_im)        
<matplotlib.image.AxesImage object at ...>

如今使用np.searchsorted從新分配標籤：

>>> labels = np.unique(label_im)
>>> label_im = np.searchsorted(labels, label_im)

reassign

示例源碼

找到關注的封閉對象區域：3

>>> slice_x, slice_y = ndimage.find_objects(label_im==4)[0]
>>> roi = im[slice_x, slice_y]
>>> plt.imshow(roi)     
<matplotlib.image.AxesImage object at ...>

find

示例源碼

其它空間測量：ndiamge.center_of_mass,ndimage.maximum_position等等。

能夠在分割應用限制範圍以外使用。

示例：塊平均(block mean)：

m scipy import misc
>>> l = misc.lena()
>>> sx, sy = l.shape
>>> X, Y = np.ogrid[0:sx, 0:sy]
>>> regions = sy/6 * (X/4) + Y/6  # note that we use broadcasting
>>> block_mean = ndimage.mean(l, labels=regions, index=np.arange(1,
...     regions.max() +1))
>>> block_mean.shape = (sx/4, sy/6)

block mean

示例源碼

當區域不是正則的4塊狀時，使用stride技巧更有效(示例：fake dimensions with strides)

非正則空間(Non-regular-spaced)區塊：徑向平均：

>>> sx, sy = l.shape
>>> X, Y = np.ogrid[0:sx, 0:sy]
>>> r = np.hypot(X - sx/2, Y - sy/2)
>>> rbin = (20* r/r.max()).astype(np.int)
>>> radial_mean = ndimage.mean(l, labels=rbin, index=np.arange(1, rbin.max() +1))

radial

示例源碼

  • 其它測量

相關函數，傅里葉/小波譜等。

一個使用數學形態學的例子：粒度(http://en.wikipedia.org/wiki/Granulometry_%28morphology%29)

>>> def disk_structure(n):
...     struct = np.zeros((2 * n + 1, 2 * n + 1))
...     x, y = np.indices((2 * n + 1, 2 * n + 1))
...     mask = (x - n)**2 + (y - n)**2 <= n**2
...     struct[mask] = 1
...     return struct.astype(np.bool)
...
>>>
>>> def granulometry(data, sizes=None):
...     s = max(data.shape)
...     if sizes == None:
...         sizes = range(1, s/2, 2)
...     granulo = [ndimage.binary_opening(data, \
...         structure=disk_structure(n)).sum() for n in sizes]
...     return granulo
...
>>>
>>> np.random.seed(1)
>>> n = 10
>>> l = 256
>>> im = np.zeros((l, l))
>>> points = l*np.random.random((2, n**2))
>>> im[(points[0]).astype(np.int), (points[1]).astype(np.int)] = 1
>>> im = ndimage.gaussian_filter(im, sigma=l/(4.*n))
>>>
>>> mask = im > im.mean()
>>>
>>> granulo = granulometry(mask, sizes=np.arange(2, 19, 4))

granulometry

示例源碼

Footnotes

  1. 佔位 ↩

  2. ValueError: can not convert int64 to uint8. ↩

  3. 根據以上操做剩下的區域選擇區域，由於是隨機生成可能結果不通，label_im==4未必留下來了。 ↩

  4. 正則空間 ↩

相關文章
相關標籤/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公眾號
   歡迎關注本站公眾號,獲取更多信息
聯繫我們 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程