机器学习CV代码练习（八）之数字图像处理

Love The Way You Lie 2023-01-24 02:11 17阅读 0赞

### 机器学习CV代码练习（八）之数字图像处理 ###

*   *  读取和显示图像---- 方法一：matplotlib.image显示图像
     *  读取和显示图像---- 方法二：cv2
     *  读取和显示图像---- 方法三：常用的图像处理库 - PIL
     *  缩放图像
     *  画图
     *  查看图像的数值特征
     *   *  查看--直方图
         *  查看--累积分布函数 (CDF)图
     *  调整调整图像的像素值使得其值变为均匀分布
     *  使用滤波器去噪声
     *   *  添加随机噪声：模拟低亮度时拍摄的照片, 包括大量随机噪声
         *  高斯滤波器：使用一个像素临近区域的像素的加权均值代替原来的值.
         *  中值滤波：使用一个像素临近区域的像素的中间值代替原来的值.
     *  特征提取——边缘检测
     *   *  Sobel 边缘检测：寻找图像中在纵横方向上面值变化比较大的区域
         *  Canny边缘检测
         *  Harris Corner Detector 哈里斯边角侦测：检测在所有方向像素值变化都比较大的区域, 这些区域被称为corner, 边角.

*  使用OpenCV进行数字图像处理和计算机视觉任务。例如：读写图像、旋转缩放、图像滤波、亮度调整、边缘检测、Hough 变换检测几何形状的物体

## 读取和显示图像---- 方法一：matplotlib.image显示图像 ##

from matplotlib import image as mpimg#画图、读图片
    from matplotlib import pyplot as plt
    import numpy as np
    %matplotlib inline
    
    img1 = mpimg.imread('cat.jpg')#直接变为numpy.ndarray
    plt.imshow(img1)
    type(img1)

## 读取和显示图像---- 方法二：cv2 ##

import cv2
    import matplotlib.pyplot as plt
    import numpy as np
    %matplotlib inline
    
    img2 = cv2.imread('cat.jpg')#opencv保存的是：bgr
    plt.imshow(img2)
    # type(img2)
    #注意图像的色彩由问题.因为cv2加载图像后保存为BGR, 而非RGB的格式. 需要如下方式变换:
    img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2RGB)
    plt.imshow(img2)

## 读取和显示图像---- 方法三：常用的图像处理库 - PIL ##

from PIL import Image
    import matplotlib.pyplot as plt
    %matplotlib inline
    
    img3 = Image.open('cat.jpg')#PIL.JpegImagePlugin.JpegImageFile
    plt.imshow(img3)
    type(img3)
    #注意此时的图像类型是 JpegImageFile - 而非 numpy array. 这种类型的数据适合PIL库的函数/方法. 可以转换为numpy array:
    img3 = np.array(img3)#可以转换成np.array
    
    # 大多数时候我们使用numpy array来表达图像. 可以使用如下方法保存numpy array:
    
    # Save the image保存numpy array
    np.save('cat.npy', img3)
    
    #Load the image
    img3 = np.load('cat.npy')
    
    # 将np.array-numpy数组转换为PIL Image对象
    orig_img = Image.fromarray(img3)

## 缩放图像 ##

from PIL import Image, ImageOps
    import matplotlib.pyplot as plt
    %matplotlib inline
    
    # 将np.array-numpy数组转换为PIL Image对象
    orig_img = Image.fromarray(img3)
    
    # 缩放为 200 x 200 
    target_size = (200,200)
    new_img = orig_img.resize(target_size)#缩放
    n_h, n_w = new_img.size
    print('New size:', n_h, 'x', n_w)

*  图像缩放造成了图像形变. 我们可以按照原来图像宽高比缩放图像, 避免形变.

from PIL import Image, ImageOps
    scaled_img = orig_img.copy()
    
    scaled_img.thumbnail(target_size, Image.ANTIALIAS)
    scaled_height, scaled_width = scaled_img.size
    print('Scaled size:', scaled_height, 'x', scaled_width)

## 画图 ##

import matplotlib.pyplot as plt
    %matplotlib inline
    fig = plt.figure(figsize=(12, 12))
    
    # Subplot for original image
    a=fig.add_subplot(2,1,1)
    imgplot = plt.imshow(orig_img)
    a.set_title('Before')
    plt.show()

## 查看图像的数值特征 ##

from PIL import Image
    import matplotlib.pyplot as plt
    %matplotlib inline
    
    img3 = Image.open('cat.darkened.jpeg')
    img3 = np.array(img3)
    img3.dtype#dtype('uint8')，数组包含8位的整数值. 值的范围0-255. RGB色彩通道每一个像素可能的值.

直方图和CDF都预示图像的值的分布不均衡.

### 查看–直方图 ###

一个比较自然的图像的值的分布应该是均匀分布的, 可以通过直方图查看.

import matplotlib.pyplot as plt
    %matplotlib inline
    
    # Plot a histogram - we need to use ravel to "flatten" the 3 dimensions
    plt.hist(img3.ravel())#直方图
    plt.show()

### 查看–累积分布函数 (CDF)图 ###

import matplotlib.pyplot as plt
    %matplotlib inline
    
    plt.hist(img3.ravel(), bins=255, cumulative=True)#CDF图
    plt.show()

## 调整调整图像的像素值使得其值变为均匀分布 ##

from PIL import Image, ImageOps
    %matplotlib inline
    
    # Equalize the image - but we need to convert the numpy array back to the PIL image format
    # ImageOps.equalize（）：通过调整图像的像素值使得其值变为均匀分布.
    img3PIL_eq = ImageOps.equalize(Image.fromarray(img3))

## 使用滤波器去噪声 ##

### 添加随机噪声：模拟低亮度时拍摄的照片, 包括大量随机噪声 ###

import skimage#sklearn中的做图像处理的操作
    %matplotlib inline
    
    img3_n = skimage.util.random_noise(img3_eq)#添加噪声
    plt.imshow(img3_n)

### 高斯滤波器：使用一个像素临近区域的像素的加权均值代替原来的值. ###

from scipy.ndimage.filters import gaussian_filter as gauss
    %matplotlib inline
    
    img3_gauss = gauss(img3_n, sigma=1)  #采用高斯滤波器去除噪声 ，sigma控制滤波强度，越大越虚
    plt.imshow(img3_gauss)

### 中值滤波：使用一个像素临近区域的像素的中间值代替原来的值. ###

from scipy.ndimage.filters import median_filter as med
    %matplotlib inline
    
    img3_med = med(img3_n, size=3)#采用中值滤波器去除噪声 
    plt.imshow(img3_med)

## 特征提取——边缘检测 ##

### Sobel 边缘检测：寻找图像中在纵横方向上面值变化比较大的区域 ###

步骤：

1.  将彩色图像转换为灰度图像.
2.  计算横向和纵向的梯度.
3.  计算梯度的大小.
4.  规范化梯度值.

from PIL import Image, ImageOps
    import numpy as np
    from PIL import Image
    from scipy import ndimage
    %matplotlib inline
    
    sx = ndimage.sobel(img, axis=0, mode='constant')#x方向的sobel边缘检测
    sy = ndimage.sobel(img, axis=1, mode='constant')#y方向的sobel边缘检测
    sob = np.hypot(sx, sy)#x和y方向的sobel边缘检测

### Canny边缘检测 ###

from scipy import ndimage
    
    from skimage.feature import canny
    canny_edges = canny(img, sigma=5)#canny边缘检测

### Harris Corner Detector 哈里斯边角侦测：检测在所有方向像素值变化都比较大的区域, 这些区域被称为corner, 边角. ###

import numpy as np
    import cv2
    from matplotlib import pyplot as plt
    
    filename = 'chessboard.jpg'
    img = cv2.imread(filename)
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    
    gray = np.float32(gray)
    plt.imshow(gray),plt.show()
    dst = cv2.cornerHarris(gray,2,3,0.04)#cornerHarris边角检测为一个值dst
    
    #result is dilated for marking the corners, not important
    dst = cv2.dilate(dst,None)#结果边角增强些，看得清楚
    
    # Threshold for an optimal value, it may vary depending on the image.
    img[dst>0.01*dst.max()]=[0,0,255]
    
    
    plt.imshow(img),plt.show()