python計算機視覺1：基本操做與直方圖

時間 2019-11-18

原文原文鏈接

本文主要內容來源於書籍《python計算機視覺編程》
我是一名初學者，若是你發現文中有錯誤，請留言告訴我，謝謝python

PIL模塊

PIL模塊全程爲Python Imaging Library，是python中一個免費的圖像處理模塊。編程

打開圖像

PIL模塊經常使用到它的Image類，打開圖像首先要導入Image類
from PIL import Image，
而後調用Image的open方法。
例如markdown

from PIL import Image

image = Image.open("smallpi.jpg") # 返回一個Image圖像對象
print(image)
# 結果
<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=800x450 at 0x4731348>

圖像的保存及格式轉換

圖像保存用的是Image對象的save()方法，傳入的參數爲保存圖像文件的名字。
當傳入不一樣的擴展名時，它會根據擴展名自動轉換圖像的格式。
例如函數

from PIL import Image

image = Image.open("smallpi.jpg") # 打開jpg圖像文件
image.save("smallpi.png") # 保存圖像，並轉換成png格式

轉化成灰度圖像

得到Image對象後，調用其convert()方法,傳入參數"L"，便可以返回該圖像的灰度圖像對象。atom

from PIL import Image

image = Image.open("smallpi.jpg")

image_gray = image.convert("L") # 轉化成灰度圖像
print(image_gray)
# 結果
<PIL.Image.Image image mode=L size=800x450 at 0x46AD648>

Image對象與圖像矩陣相互轉化

Image對象轉化成圖像矩陣

Image對象轉化成圖像矩陣只要將Image對象做爲numpy.array()參數便可。spa

import numpy as np
from PIL import Image

image = Image.open("smallpi.jpg")
image_array = np.array(image)
print(image_array)
# 結果
[[[177 177 177]
  [177 177 177]
  [176 176 176]
  ..., 
  #此處省略
  ...,
  [232 232 232]
  [232 232 232]
  [232 232 232]]]

圖像矩陣轉化成Image對象

圖像矩陣轉化成Image對象經過Image模塊的fromarray()方法。3d

import numpy as np
from PIL import Image

image = Image.open("smallpi.jpg")
image_array = np.array(image.convert("L"))
image_array = 255 - image_array # 圖像矩陣處理，將灰度圖像反相
                                # 反相指的是，黑變白，白變黑
image2 = Image.fromarray(image_array)
print(image2)
# 結果
<PIL.Image.Image image mode=RGB size=800x450 at 0x4753748>

圖像的顯示

圖像的顯示須要用到matplotlib模塊。
首先須要導入matplotlib.pyplot
import matplotlib.pyplot as plt
而後，調用pyplot的imshow()方法，傳入Image對象便可code

from PIL import Image
import matplotlib.pyplot as plt

image = Image.open("smallpi.jpg")
plt.imshow(image) # 繪製圖像image
plt.show() # 須要調用show()方法，否則圖像只會在內存中而不顯示出來

圖像顯示結果（帶座標軸）
orm

若是想把座標軸去掉只須要調用pyplot的axis()方法，傳入"off"參數對象

from PIL import Image
import matplotlib.pyplot as plt

image = Image.open("smallpi.jpg")
plt.imshow(image) # 繪製圖像image
plt.axis("off") # 去掉座標軸
plt.show() # 須要調用show()方法，否則圖像只會在內存中而不顯示出來

圖像顯示結果（不帶座標軸）

若是要顯示灰度圖像，須要導入matplotlib的cm模塊
import matplotlib.cm as cm
而後在調用pyplot.show()時，傳入關鍵字參數cmap=cm.gray。

from PIL import Image            
import matplotlib.pyplot as plt
import matplotlib.cm as cm         

image = Image.open("smallpi.jpg") # 打開圖像
image_gray = image.convert("L") # 轉化成灰度圖像

plt.subplot(2,1,1)
plt.imshow(image_gray) # 沒傳入關鍵字參數cmap=cm.gray
plt.axis("off") # 去掉座標軸

plt.subplot(2,1,2)
plt.imshow(image_gray, cmap=cm.gray) # 指明 cmap=cm.gray
plt.axis("off") # 去掉座標軸

plt.show() # 顯示圖像

顯示結果
上：沒指定cmap ，下：指定cmap=cm.gray

建立縮略圖

建立圖像縮略圖能夠經過Image的thumbnail()方法，參數傳入一個元組，指明縮略圖的大小，如thumbnail((128,128))。
例如

from PIL import Image

image = Image.open("smallpi.jpg")
image_thumbnail = image.thumbnail((128,128))

image.save("thumbnail.jpg")

結果爲

複製和粘貼區域

複製區域是指截取圖像中的一部分，並將這一部分做爲一個新的Image對象。
複製區域的方法爲crop()，參數爲一個含4個元素的元組，用來指定截取區域的左上角點和右下角點。

from PIL import Image

image = Image.open("smallpi.jpg") # 打開圖像
box = (300,100,500,300) # 截取區域
image_crop = image.crop(box) # 按指定截取區域對圖像進行截取複製

image_crop.save("image_crop.jpg") # 保存

保存的截取區域圖像爲

粘貼區域是指在指定圖像中放入另外一個圖像，其方法爲paste()。該方法有兩個參數，第一個參數爲須要粘貼進去的圖像，第二個參數爲粘貼區域。

from PIL import Image

image = Image.open("smallpi.jpg")
box = (300,100,500,300)        # 先截取一部分
image_crop = image.crop(box)    

# 爲了看到粘貼效果，現將截取部分轉180度
image_crop = image_crop.transpose(Image.ROTATE_180) # 轉180度
image.paste(image_crop,box) # 將轉180度後的圖像粘貼到原圖像

image.save("image_paste.jpg")

粘貼後原圖像變成

圖像的尺寸調整和旋轉

尺寸調整方法爲resize()，參數爲一元組，指定調整後的大小，如resize((128,128))。圖像旋轉的方法爲rotate()，參數爲旋轉角度（數值，單位爲度）,逆時針方向，如rotate(45)`

from PIL import Image

image = Image.open("smallpi.jpg")

image_resize = image.resize((200,200)) # 尺寸調整
image_rotate = image.rotate(45) # 圖像旋轉
# image.transpose()也能夠旋轉圖像，但只能旋轉90度的整數倍
# 參數爲 Image.ROTATE_90 旋轉90度
# 180度，270度可類推

image_resize.save("image_resize.jpg")
image_rotate.save("image_rotate.jpg")

尺寸調整爲200*200

圖像逆時針旋轉45度

圖像直方圖

圖像直方圖用來統計圖像中像素值的分佈狀況，即統計不一樣像素值出現的次數。方法爲調用matplotlib.pyplot的hist方法，參數傳入圖像像素序列和統計區間個數。

from PIL import Image
import matplotlib.pyplot as plt
import matplotlib.cm as cm

#打開圖像，並轉化成灰度圖像
image = Image.open("smallpi.jpg").convert("L") 
image_array = np.array(image)

plt.subplot(2,1,1)
plt.imshow(image,cmap=cm.gray)
plt.axis("off")
plt.subplot(2,1,2)
plt.hist(image_array.flatten(),256) #flatten能夠將矩陣轉化成一維序列
plt.show()

結果爲

灰度變換

對於一張灰度圖像，其每一個像素點都用一個0-255之間的值表示，0表示黑色，越接近0越黑；255表示白色，越接近255越白。
灰度變換就是經過一個特定的函數，使灰度值從一個值轉換成另一個值。
這裏列出3種灰度變換

1. 【反相】變換後的灰度值= 255−原灰度值

2.【轉換到100-200】變換後的灰度值 =(原灰度值/255)*100+100

3. 【像素平方】變換後的灰度值 = 255*(原灰度值/255)²

from PIL import Image
import matplotlib.pyplot as plt
import matplotlib.cm as cm

image = Image.open("smallpi.jpg").convert("L")
image_array = np.array(image)

x = np.arange(255)

# 反相
plt.subplot(3,2,1)
plt.plot(x,255-x) # 畫出變換函數圖像
plt.subplot(3,2,2)
plt.imshow(Image.fromarray(255-image_array),cmap=cm.gray)
plt.axis("off")

# 轉換到 100-200
plt.subplot(3,2,3)
plt.plot(x,(x/255.0)*100+100) # 畫出變換函數圖像
plt.subplot(3,2,4)
plt.imshow( Image.fromarray((image_array/255.0)*100+100), cmap=cm.gray )
plt.axis("off")

# 像素平方
plt.subplot(3,2,5)
plt.plot(x,255*(x/255.0)**2) # 畫出變換函數圖像
plt.subplot(3,2,6)
plt.imshow( Image.fromarray(255*(image_array/255.0)**2), cmap=cm.gray )
plt.axis("off")

plt.show()

`結果以下，（左邊是變換函數，右邊是圖像變換結果）

直方圖均衡化

由上面圖像的直方圖能夠看出，通常狀況下，圖像上某些灰度值較多，有些灰度值較少，直方圖均衡化爲的是使灰度值較爲均衡。

直方圖均衡化是利用直方圖的累積函數做爲灰度變換函數，對圖像進行轉換。直方圖均衡化能夠加強圖像的對比度。

累積函數和機率論中的累積分佈函數相似。例如對於還有5個數的序列[1,2,3,4,5],其累積函數含有5個數，第一個數是1，第二個是1+2=3，……，第五個數是1+2+3+4+5=15，因此其累積函數是[1,3,6,10,15]。

咱們把直方圖均衡化的過程封裝在一個函數裏面，函數名字叫作histeq，輸入原圖像矩陣和直方圖分塊數，輸出均衡化後的圖像矩陣和累積函數。

import numpy as np 
from PIL import Image
import matplotlib.pyplot as plt
import matplotlib.cm as cm

def histeq(image_array,image_bins=256):
    
    # 將圖像矩陣轉化成直方圖數據，返回元組(頻數，直方圖區間座標)
    image_array2,bins = np.histogram(image_array.flatten(),image_bins)

    # 計算直方圖的累積函數
    cdf = image_array2.cumsum()

    # 將累積函數轉化到區間[0,255]
    cdf = (255.0/cdf[-1])*cdf
    
    # 原圖像矩陣利用累積函數進行轉化，插值過程
    image2_array = np.interp(image_array.flatten(),bins[:-1],cdf)

    # 返回均衡化後的圖像矩陣和累積函數
    return image2_array.reshape(image_array.shape),cdf



image = Image.open("pika.jpg").convert("L") 
image_array = np.array(image)
plt.subplot(2,2,1)
plt.hist(image_array.flatten(),256)
plt.subplot(2,2,2)
plt.imshow(image,cmap=cm.gray)
plt.axis("off")

a = histeq(image_array)  # 利用剛定義的直方圖均衡化函數對圖像進行均衡化處理
plt.subplot(2,2,3)
plt.hist(a[0].flatten(),256)
plt.subplot(2,2,4)
plt.imshow(Image.fromarray(a[0]),cmap=cm.gray)
plt.axis("off")

plt.show()