数据分析与AI(七)傅里叶对登月图片降噪/scipy库对图片进行处理/

偏执的太偏执、 2022-05-22 09:12 143阅读 0赞

# 登月图片消噪 #

scipy.fftpack模块用来计算快速傅里叶变换

速度比传统傅里叶变换更快，是对之前算法的改进

黑白图片是二维数据，注意使用fftpack的二维转变方法

import numpy as np
    
    # 这是scipy中的傅里叶变换
    from scipy.fftpack import fft2, ifft2
    import matplotlib.pyplot as plt
    
    
    # PIL也是处理图片的
    from PIL import Image

# png 最大范围 0 - 1
    moon = plt.imread('./moonlanding.png')
    moon
    # 结果如下:

![这里写图片描述][70]

plt.imshow(moon,cmap='gray')
    # 结果如下:

![这里写图片描述][70 1]

# 进行傅里叶变换
    # 傅里叶变化是把时域变为频域
    moon_fft2 = fft2(moon)
    moon_fft2

![这里写图片描述][70 2]

# 先求一个绝对值, 为什么, 因为有白圆环和黑圆环, 谁正谁负并不清楚
    # 1e3 代表1000
    cond = np.abs(moon_fft2) > 1e3
    moon_fft2[cond] = 0

# 再把频域转变为时域
    # ifft2
    moon_ifft2 = ifft2(moon_fft2)
    moon_ifft2

![这里写图片描述][70 3]

# 去除复数
    res = np.real(moon_ifft2)
    # 显示图片
    plt.figure(figsize=(12,9))
    plt.imshow(res,cmap='gray')

![这里写图片描述][70 4]

# scipy #

scipy是基于numpy的

import numpy as np
    
    import matplotlib.pyplot as plt
    
    # MCM

## 数值积分,求圆周率 ##

# 祖率: 3.1415926 - 927
    # 计算机通过积分的方式来画圆
    # x^2 + y^2 = r^2
    
    # f(x) = (r^2 - x^2)^0.5
    
    # 假设圆的半径我们知道, r = 1
    X = np.linspace(-1,1,1000)
    
    f = (1 - X**2)**0.5
    
    # 计算三角形, 以0点计算, 计算对边
    # 我们画圆形需要x和y
    plt.figure(figsize=(4,4))
    # 有了三角形, 圆形的斜边顶点就找到了, 把这2000个顶点给连接起来就使用一个圆形
    plt.plot(X, f)
    plt.plot(X, -f)

![这里写图片描述][70 5]  
使用scipy.integrate进行积分，调用quad()方法，求圆周率

# integrate 在数学上用作积分运算
    import scipy.integrate as integrate
    import scipy
    
    f = lambda x : (1-x**2)**0.5
    # quad中第一个参数是一个func, y轴的解,a和b代表x轴的范围, 分别填入-1,1
    pi, error = integrate.quad(f,-1,1)
    
    # (1.5707963267948986, 1.0002356720661965e-09)
    # 第一个数是圆周率, 第二个数是误差
    print('通过积分求解的圆周率:%s, 误差为:%s' % (pi*2, error*2))
    # 结果是:
    # 通过积分求解的圆周率:3.141592653589797, 误差为:2.000471344132393e-09

# scripy中的文件输入和输出 #

# io
    import scipy.io as io
    from scipy.fftpack import fft2, ifft2

moon = plt.imread('./moonlanding.png')
    moon_fft2 = fft2(moon)
    cond = np.abs(moon_fft2) > 1e3
    moon_fft2[cond] = 0
    moon_ifft2 = ifft2(moon_fft2)
    res = np.real(moon_ifft2)
    plt.figure(figsize=(12,9))
    plt.imshow(res,cmap='gray')

![这里写图片描述][70 6]

#.mat 这是一种数据格式
    # math matrix
    # matlib 通用字典
    # 文件存储都是以二进制
    io.savemat('./moon_clear.mat',{
       'moon':res})
    # load
    io.loadmat('./moon_clear.mat')['moon']
    # 结果是:

array([[-0.2826645 ,  0.08010893, -0.21303105, ..., -0.03895291,
        -0.18217105, -0.17954478],
       [-0.00702763,  0.06715892, -0.09148968, ..., -0.1856927 ,
        -0.19348538, -0.15636131],
       [-0.03724453, -0.12469123, -0.10263439, ..., -0.18584874,
        -0.19098356,  0.08034539],
       ...,
       [ 0.07167082, -0.04644684, -0.07860907, ...,  0.09754767,
         0.02351329,  0.18534262],
       [ 0.00943622, -0.06645724, -0.02696014, ...,  0.05524265,
        -0.00268553,  0.19484597],
       [-0.0551862 ,  0.03641299, -0.06190041, ...,  0.03356535,
         0.02719305, -0.02497441]], dtype=float32)

读写图片使用scipy中misc.imread()/imsave()

# misc 表示是一个库非常的杂乱无章
    import scipy.misc as misc

# 利用这个库读出来以后做了一个变换把PNG转变昵称了JPG
    moon = misc.imread('./moonlanding.png')
    plt.figure(figsize=(12,9))
    plt.imshow(moon, cmap='gray')
    # 结果如下:

![这里写图片描述][70 7]  
imrotate、imresize、imfilter 旋转, 改变大小, 滤波

# 旋转
    plt.imshow(misc.imrotate(moon, 60),cmap='gray')
    # 结果是:

![这里写图片描述][70 8]

# imresize int 0.5 = 50%缩小
    plt.imshow(misc.imresize(moon,0.5),cmap='gray')

![这里写图片描述][70 9]

# tuple(100, 200) 是压缩成Y为100, X为200的图片
    plt.imshow(misc.imresize(moon,(100, 200)),cmap='gray')

![这里写图片描述][70 10]

# imfilter图片过滤 #

The filter that has to be applied , Legal values are:  
‘blur’, ‘contour’, ‘detail’, ‘edge\_enhance’, ‘edge\_enhance\_more’,  
‘emboss’, ‘find\_edges’, ‘smooth’, ‘smooth\_more’, ‘sharpen’.

必须应用的筛选器, 法律价值是:  
‘模糊’, ‘轮廓’, ‘细节’, ‘EdgEl增强’, ‘EdgEI增强’  
‘浮雕’,’发现边缘’,’平滑’,’平滑多’, ‘锐化’

# 这是一张模糊的图片
    cat = plt.imread('./cat.jpg')
    plt.imshow(misc.imfilter(cat, 'blur'))

![这里写图片描述][70 11]

# 轮廓图
    plt.imshow(misc.imfilter(cat, 'contour'))

![这里写图片描述][70 12]

# sharpen
    plt.figure(figsize=(12,9))
    plt.imshow(misc.imfilter(cat, 'sharpen'))

![这里写图片描述][70 13]

## 图片处理 ##

使用scipy.misc.face(gray=True)获取图片，

使用ndimage移动坐标、旋转图片、切割图片、缩放图片导包，读取图片显示图片

import scipy.ndimage as ndimage

# 在ndimage中, scipy给我们提供了一张图片, misc.face()
    face = misc.face(gray = True)
    plt.imshow(face, cmap='gray')

![这里写图片描述][70 14]

### shift移动坐标 ###

# input 代表将要被处理的图片
    # 第二个参数代表你要移动多少
    plt.imshow(ndimage.shift(face, [-100, 200], mode=), cmap='gray')

![这里写图片描述][70 15]

# mode : 'constant', 'nearest', 'reflect', 'mirror' or 'wrap
    plt.imshow(ndimage.shift(face, [-100, 200], mode='mirror'), cmap='gray')

![这里写图片描述][70 16]

### zoom\#缩放图片 ###

# resize imresize
    plt.imshow(ndimage.zoom(face, 0.5), cmap='gray')

![这里写图片描述][70 17]

# sequence 序列中的值只能是浮点型, 分别代表对y轴和x轴进行缩放
    plt.imshow(ndimage.zoom(face, [0.3,0.8]), cmap='gray')

![这里写图片描述][70 18]

## 切割图片 ##

plt.imshow(face, cmap='gray')

![这里写图片描述][70 19]

plt.imshow(face[:500,400:950],cmap='gray')

![这里写图片描述][70 20]

## 如果是彩色的图片怎么办了 ##

face1 = misc.face()
    face1.shape

plt.imshow(face1)

![这里写图片描述][70 21]

#plt.imshow(ndimage.shift(face1, [100, 200]), 彩色图片是三维的, 少写一维会报错
    plt.imshow(ndimage.shift(face1, [100, 200, -2]))
    # rgb -> rrg
    #(100,200,300) -> (100,100,200) -> (100,100,100) ->(300,100,100)

![这里写图片描述][70 22]

plt.imshow(ndimage.shift(face1, [100, 200, 1], mode='mirror'))

![这里写图片描述][70 23]

# 注意的是颜色的滚动
    plt.imshow(ndimage.shift(face1, [100, 200, 4], mode='mirror'))

![这里写图片描述][70 24]

# zoom 进行压缩
    plt.imshow(ndimage.zoom(face1,[0.5,0.5, 1]), cmap='gray')

![这里写图片描述][70 25]

### 图片进行过滤 ###

添加噪声，对噪声图片使用ndimage中的高斯滤波、中值滤波、signal中维纳滤波进行处理,使图片变清楚

使用了misc.face()的灰色照片添加噪声

face_blur = face + np.random.randn(face_blur.shape[0], face_blur.shape[1])*face.std()
    plt.imshow(face_blur, cmap='gray')

![这里写图片描述][70 26]  
高斯滤波sigma：高斯和的标准偏差

# sigma频率
    # 频率怎么取值
    # plt.subplot(1, 3, 1) subplot中的值代表 1行 显示3张图片 当前是编号1
    plt.figure(figsize=(12,9))
    
    axes = plt.subplot(1, 3, 1)
    axes.imshow(ndimage.gaussian_filter(face_blur, sigma=2), cmap='gray')
    
    axes1 = plt.subplot(132)
    axes1.imshow(ndimage.gaussian_filter(face_blur, sigma=0), cmap='gray')
    
    axes2 = plt.subplot(133)
    axes2.imshow(ndimage.gaussian_filter(face, sigma=0), cmap='gray')
    
    # 可以用来还原照片

![这里写图片描述][70 27]  
将登月图片进行高斯过滤

moon = plt.imread('./moonlanding.png')
    plt.imshow(ndimage.gaussian_filter(moon,sigma=2), cmap='gray')

![这里写图片描述][70 28]  
中值滤波参数size：给出在每个元素上从输入数组中取出的形状位置，定义过滤器功能的输入

plt.figure(figsize=(12,9))
    
    axes = plt.subplot(1, 3, 1)
    axes.imshow(ndimage.median_filter(face_blur, size=6), cmap='gray')
    
    axes1 = plt.subplot(132)
    axes1.imshow(face_blur, cmap='gray')
    
    axes2 = plt.subplot(133)
    axes2.imshow(face, cmap='gray')

![这里写图片描述][70 29]  
signal维纳滤波mysize：滤镜尺寸的标量

import scipy.signal as signal
    
    plt.figure(figsize=(12,9))
    
    axes = plt.subplot(1, 3, 1)
    axes.imshow(signal.wiener(face_blur, mysize=10), cmap='gray')
    
    axes1 = plt.subplot(132)
    axes1.imshow(face_blur, cmap='gray')
    
    axes2 = plt.subplot(133)
    axes2.imshow(face, cmap='gray')

![这里写图片描述][70 30]

[70]: /images/20220522/b3cc9f92c9ce4bb2a7f7b8664a8c6e75.png
[70 1]: /images/20220522/eb14d64075404642b68aaa34c3e9e8f8.png
[70 2]: /images/20220522/1700b35319ba4529bdcf98f8ca400bbf.png
[70 3]: /images/20220522/cbb5874aeac04342ad8b6e5e75d7820a.png
[70 4]: /images/20220522/f708fefbb7b0483ba582d00e62deea32.png
[70 5]: /images/20220522/b68cbf4263e54c679aebed2361f4044f.png
[70 6]: /images/20220522/d0c194743ce44ab2b3bac820e1272133.png
[70 7]: /images/20220522/fc9fb745470443bf95c66e8b3abfbe9e.png
[70 8]: /images/20220522/ad376734104542ad810a2e1ede41e90e.png
[70 9]: /images/20220522/8885b6976a9a4f26b2d279b13c6f960b.png
[70 10]: /images/20220522/0896aa4abeec4376b63bf1f9ddacf9ee.png
[70 11]: /images/20220522/02afcf886e764409b04907e769b51c9b.png
[70 12]: /images/20220522/d9cfbd8671a84dee977f77fd3aa0d22d.png
[70 13]: /images/20220522/094a8d8f46e2487e8807c5cf12222673.png
[70 14]: /images/20220522/231db1747af74abdaa28b12ae7ff2928.png
[70 15]: /images/20220522/cb2e7a96a64e4ad0b73b376faaf88d78.png
[70 16]: /images/20220522/450bdabc4caa4ce99db3b928f1841537.png
[70 17]: /images/20220522/6e8975b9dc104d25bf48effc00726c49.png
[70 18]: /images/20220522/fdae7942507a4789b4055e96eaf72140.png
[70 19]: /images/20220522/d728a410ceaf4c5380a6cefe71cec719.png
[70 20]: /images/20220522/404b106b0c45404fa5c81122171e92f4.png
[70 21]: /images/20220522/3084263e2cf944b2ba90504389ace72c.png
[70 22]: /images/20220522/fb449e9fe476482b87716859941593d8.png
[70 23]: /images/20220522/f048e5f6d86d4a7480c3d78f97d9e040.png
[70 24]: /images/20220522/c9e84009ea744ed9a50599d249495a6b.png
[70 25]: /images/20220522/cc52b06c37c141659fde4b1aef52b1d3.png
[70 26]: /images/20220522/75d9f992a4ce466faa3a52526853f8fd.png
[70 27]: /images/20220522/372ee15478574b689889ebdc7ce577cb.png
[70 28]: /images/20220522/ff36ce30539c4997b20e730781df8a83.png
[70 29]: /images/20220522/32d40218894949fea8a9c52d522d8128.png
[70 30]: /images/20220522/8cc569f953794f2e8705edb9cdca085d.png