大家好,又见面了,我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。
Jetbrains全系列IDE稳定放心使用
质量、速度、廉价,选择其中两个
提到图像处理第一个想到的库就是PIL,全称Python Imaging Library Python,图像处理类库,它提供了大量的图像操作,比如图像缩放,裁剪,贴图,模糊等等,很多时候它需要配合numpy库一起使用
1.open()
你可以使用Image.open打开一个图像文件,它会返回PIL图像对象
image = Image.open(image_address)
2.covert()
你可以 covert() 方法转换图像格式,covert() 有三种传参方式
im.convert(mode) ⇒ image
im.convert(“P”, **options) ⇒ image
im.convert(mode, matrix) ⇒ image
最常用的还是第一种,通过该方法你可以将PIL图像转换成九种不同的格式,分别1,L,P,RGB,RGBA,CMYK,YCbCr,I,F。
1.模式“1”
模式“1”为二值图像,非黑即白。但是它每个像素用8个bit表示,0表示黑,255表示白。
2.模式“L”
模式”L”为灰色图像,它的每个像素用8个bit表示,0表示黑,255表示白,其他数字表示不同的灰度。在PIL中,从模式“RGB”转换为“L”模式是按照下面的公式转换的:
L = R * 299/1000 + G * 587/1000+ B * 114/1000
3.模式“p”
模式“P”为8位彩色图像,它的每个像素用8个bit表示,其对应的彩色值是按照调色板查询出来的。
4.模式“RGBA”
模式“RGBA”为32位彩色图像,它的每个像素用32个bit表示,其中24bit表示红色、绿色和蓝色三个通道,另外8bit表示alpha通道,即透明通道。
5.模式“CMYK”
模式“CMYK”为32位彩色图像,它的每个像素用32个bit表示。模式“CMYK”就是印刷四分色模式,它是彩色印刷时采用的一种套色模式,利用色料的三原色混色原理,加上黑色油墨,共计四种颜色混合叠加,形成所谓“全彩印刷”。
四种标准颜色是:C:Cyan = 青色,又称为‘天蓝色’或是‘湛蓝’M:Magenta = 品红色,又称为‘洋红色’;Y:Yellow = 黄色;K:Key Plate(blacK) = 定位套版色(黑色)。
6.模式“YCbCr”
模式“YCbCr”为24位彩色图像,它的每个像素用24个bit表示。YCbCr其中Y是指亮度分量,Cb指蓝色色度分量,而Cr指红色色度分量。人的肉眼对视频的Y分量更敏感,因此在通过对色度分量进行子采样来减少色度分量后,肉眼将察觉不到的图像质量的变化。
模式“RGB”转换为“YCbCr”的公式如下:
Y= 0.257*R+0.504*G+0.098*B+16
Cb = -0.148*R-0.291*G+0.439*B+128
Cr = 0.439*R-0.368*G-0.071*B+128
7.模式“I”
模式“I”为32位整型灰色图像,它的每个像素用32个bit表示,0表示黑,255表示白,(0,255)之间的数字表示不同的灰度。在PIL中,从模式“RGB”转换为“I”模式是按照下面的公式转换的:
I = R * 299/1000 + G * 587/1000 + B * 114/1000
8.模式“F”
模式“F”为32位浮点灰色图像,它的每个像素用32个bit表示,0表示黑,255表示白,(0,255)之间的数字表示不同的灰度。在PIL中,从模式“RGB”转换为“F”模式是按照下面的公式转换的:
F = R * 299/1000+ G * 587/1000 + B * 114/1000
3.调整尺寸、创建缩略图、裁剪、贴图、旋转
PIL库给我们提供了丰富基本图像操作,如果你想调整一张图片的尺寸,你可以使用resize()方法,该方法需要传入你指定新图像宽高的元组
img = img.resize((128,128))
如果你想创建一张图片的缩略图,你可以使用thumbnail()方法,该方法需要传入缩略图的宽高元组
img=img.thumbnail((128,128))
如果你想对一张图片的一部分进行裁剪,你可以使用crop()方法,该方法需要你传入一个元组,该元组指定裁剪区域的左上角坐标和右下角坐标
box = (100,100,400,400)
img = img.crop(box)
如果你想把一张图片覆盖在另一个图片的上面,你可以使用paste()方法,该方法需要传入要贴的图片和位置(左上角坐标和右下角坐标)
img2=img2.paste(img1,(100,100,200,200))
如果你想要旋转一张图片,你可以使用transpose()方法,该方法传入旋转角度
img = img.transpose(Image.ROTATE_180)
不过这些角度很受限制,只可以传下面之中的一个
-
PIL.Image.FLIP_LEFT_RIGHT
-
PIL.Image.FLIP_TOP_BOTTOM
-
PIL.Image.ROTATE_90
-
PIL.Image.ROTATE_180
-
PIL.Image.ROTATE_270
-
PIL.Image.TRANSPOSE
-
PIL.Image.TRANSVERSE
你也可以使用rotate()方法,该方法更为简单方便,只需要传入一个旋转角度即可
image = image.rotate(45)
4.Numpy
对图像进行变换其实就是对矩阵进行变换,我们需要把一张图片转换成矩阵再进行操作,使用array()方法
image = Image.open(image_address)
imageArray = array(image)
1.反向处理与二值化
图像一般都是三通道的,也就是红绿蓝,他们的值从0-255,所谓反相处理呢,就是把颜色反过来
imageArray = 255 - imageArray
图像的二值化也很简单,0-255以128为分界,小于128置为0否则置为1
imageArray = 1 * (imageArray < 128)
2.像素值限制范围
如果你想把一个图像的像素值都限制到一个范围内,比如说你想把像素值限制到100-200这个区间上,你可以这么干
imageArray = (100.0 / 255) * imageArray + 100
3.像素值求平方
imageArray = 255.0 * (imageArray / 255.0) ** 2
4.直方图均衡化
图像灰度变换中一个非常有用的例子就是直方图均衡化。直方图均衡化是指将一幅图像的灰度直方图变平,使变换后的图像中每个灰度值的分布概率都相同。在对图像做进一步处理之前,直方图均衡化通常是对图像灰度值进行归一化的一个非常好的方法,并且可以增强图像的对比度。
在这种情况下,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)
def histeq(im,nbr_bins=256):
""" 对一幅灰度图像进行直方图均衡化"""
# 计算图像的直方图
imhist,bins = histogram(im.flatten(),nbr_bins,normed=True)
cdf = imhist.cumsum()
# cumulative distribution function
cdf = 255 * cdf / cdf[-1]
# 归一化
# 使用累积分布函数的线性插值,计算新的像素值
im2 = interp(im.flatten(),bins[:-1],cdf)
return im2.reshape(im.shape), cdf
该函数有两个输入参数,一个是灰度图像,一个是直方图中使用小区间的数目。函数返回直方图均衡化后的图像,以及用来做像素值映射的累积分布函数。注意,函数中使用到累积分布函数的最后一个元素(下标为 -1),目的是将其归一化到 0…1 范围。
直方图均衡化后图像可以使对比度增强,使原先图像灰色区域的细节变得更清晰
5.多种滤波
gaussian滤波是多维的滤波器,是一种平滑滤波,可以消除高斯噪声
通过调节sigma的值来调整滤波效果
imageArray = filters.gaussian_filter(imageArray, 5)
sobel算子可用来检测边缘
edges = filters.sobel(img)
roberts算子、scharr算子、prewitt算子和sobel算子一样,用于检测边缘
edges = filters.roberts(img)
edges = filters.scharr(img)
edges = filters.prewitt(img)
canny算子也是用于提取边缘特征,但它不是放在filters模块,而是放在feature模块
edges1 = feature.canny(img) #sigma=1
edges2 = feature.canny(img,sigma=3) #sigma=3
gabor滤波可用来进行边缘检测和纹理特征提取。
通过修改frequency值来调整滤波效果,返回一对边缘结果,一个是用真实滤波核的滤波结果,一个是想象的滤波核的滤波结果。
filt_real, filt_imag = filters.gabor_filter(img,frequency=0.6)
6.PCA
PCA(Principal Component Analysis,主成分分析)是一个非常有用的降维技巧。它可以在使用尽可能少维数的前提下,尽量多地保持训练数据的信息,在此意义上是一个最佳技巧。即使是一幅 100×100 像素的小灰度图像,也有 10 000 维,可以看成 10 000 维空间中的一个点。一兆像素的图像具有百万维。由于图像具有很高的维数,在许多计算机视觉应用中,我们经常使用降维操作。PCA 产生的投影矩阵可以被视为将原始坐标变换到现有的坐标系,坐标系中的各个坐标按照重要性递减排列。
为了对图像数据进行 PCA 变换,图像需要转换成一维向量表示。我们可以使用 NumPy
类库中的 flatten()
方法进行变换。
将变平的图像堆积起来,我们可以得到一个矩阵,矩阵的一行表示一幅图像。在计算主方向之前,所有的行图像按照平均图像进行了中心化。我们通常使用 SVD(Singular Value Decomposition,奇异值分解)方法来计算主成分;但当矩阵的维数很大时,SVD 的计算非常慢,所以此时通常不使用 SVD 分解。下面就是 PCA 操作的代码:
def pca(X):
""" 主成分分析: 输入:矩阵X ,其中该矩阵中存储训练数据,每一行为一条训练数据
返回:投影矩阵(按照维度的重要性排序)、方差和均值"""
# 获取维数
num_data,dim = X.shape
# 数据中心化
mean_X = X.mean(axis=0)
X = X - mean_X
if dim<num_data:
# PCA- 使用紧致技巧
M = dot(X,X.T)
# 协方差矩阵
e,EV = linalg.eigh(M)
# 特征值和特征向量
tmp = dot(X.T,EV).T
# 这就是紧致技巧
V = tmp[::-1]
# 由于最后的特征向量是我们所需要的,所以需要将其逆转
S = sqrt(e)[::-1]
# 由于特征值是按照递增顺序排列的,所以需要将其逆转
for i in range(V.shape[1]):
V[:,i] /= S
else:
# PCA- 使用SVD 方法
U,S,V = linalg.svd(X)
V = V[:num_data]
# 仅仅返回前nun_data 维的数据才合理
# 返回投影矩阵、方差和均值
return V,S,mean_X
7.图像添加噪声和降噪
添加噪声比降噪简单得多,只需要把图像矩阵上面随机加一些值就好了
imageArray = imageArray + 30 * random.standard_normal(imageArray.shape)
图像降噪是在去除图像噪声的同时,尽可能地保留图像细节和结构的处理技术,我们这里使用 ROF去燥模型
一幅(灰度)图像 I 的全变差(Total Variation,TV)定义为梯度范数之和。在连续表示的情况下,全变差表示为:
在离散表示的情况下,全变差表示为:
其中,上面的式子是在所有图像坐标 x=[x, y] 上取和。
在 Chambolle 提出的 ROF 模型里,目标函数为寻找降噪后的图像 U,使下式最小:
其中范数 ||I–U|| 是去噪后图像 U 和原始图像 I 差异的度量。也就是说,本质上该模型使去噪后的图像像素值“平坦”变化,但是在图像区域的边缘上,允许去噪后的图像像素值“跳跃”变化。
def denoise(im,U_init,tolerance=0.1,tau=0.125,tv_weight=100):
""" 使用A. Chambolle(2005)在公式(11)中的计算步骤实现Rudin-Osher-Fatemi(ROF)去噪模型
输入:含有噪声的输入图像(灰度图像)、U 的初始值、TV 正则项权值、步长、停业条件
输出:去噪和去除纹理后的图像、纹理残留"""
m,n = im.shape # 噪声图像的大小
# 初始化
U = U_init
Px = im # 对偶域的x 分量
Py = im # 对偶域的y 分量
error = 1
while (error > tolerance):
Uold = U
# 原始变量的梯度
GradUx = roll(U,-1,axis=1)-U # 变量U 梯度的x 分量
GradUy = roll(U,-1,axis=0)-U # 变量U 梯度的y 分量
# 更新对偶变量
PxNew = Px + (tau/tv_weight)*GradUx
PyNew = Py + (tau/tv_weight)*GradUy
NormNew = maximum(1,sqrt(PxNew**2+PyNew**2))
Px = PxNew/NormNew # 更新x 分量(对偶)
Py = PyNew/NormNew # 更新y 分量(对偶)
# 更新原始变量
RxPx = roll(Px,1,axis=1) # 对x 分量进行向右x 轴平移
RyPy = roll(Py,1,axis=0) # 对y 分量进行向右y 轴平移
DivP = (Px-RxPx)+(Py-RyPy) # 对偶域的散度
U = im + tv_weight*DivP # 更新原始变量
# 更新误差
error = linalg.norm(U-Uold)/sqrt(n*m);
return U,im-U # 去噪后的图像和纹理残余
5.Matplotlib
我们队图像进行处理之后往往需要知道处理后变化如何,该库便可以方便地绘制出条形图,饼状图等等呢个图像,还可在上面添加标记等等
尽管 Matplotlib
可以绘制出较好的条形图、饼状图、散点图等,但是对于大多数计算机视觉应用来说,仅仅需要用到几个绘图命令。最重要的是,我们想用点和线来表示一些事物,比如兴趣点、对应点以及检测出的物体。下面是用几个点和一条线绘制图像的例子:
from PIL import Image
from pylab import *
# 读取图像到数组中
im = array(Image.open('empire.jpg'))
# 绘制图像
imshow(im)
# 一些点
x = [100,100,400,400]
y = [200,500,200,500]
# 使用红色星状标记绘制点
plot(x,y,'r*')
# 绘制连接前两个点的线
plot(x[:2],y[:2])
# 添加标题,显示绘制的图像
title('Plotting: "empire.jpg"')
show()
上面的代码首先绘制出原始图像,然后在 x 和 y 列表中给定点的 x 坐标和 y 坐标上绘制出红色星状标记点,最后在两个列表表示的前两个点之间绘制一条线段(默认为蓝色)。该例子的绘制结果如图 1-2 所示。show()
命令首先打开图形用户界面(GUI),然后新建一个图像窗口。该图形用户界面会循环阻断脚本,然后暂停,直到最后一个图像窗口关闭。在每个脚本里,你只能调用一次 show()
命令,而且通常是在脚本的结尾调用。注意,在 PyLab
库中,我们约定图像的左上角为坐标原点。
图像的坐标轴是一个很有用的调试工具;但是,如果你想绘制出较美观的图像,加上下列命令可以使坐标轴不显示:
axis('off')
下面是我写的一个图像处理的脚本
import PIL.Image as Image
import os
from pylab import *
from numpy import *
from scipy.ndimage import filters
from scipy.ndimage import measurements,morphology
def get_imlist(path):
# 一级文件夹下有用
# return [os.path.join(path, f) for f in os.listdir(path) if f.endswith('.jpg')]
g = os.walk(path)
image_list=[]
for path, d, filelist in g:
for filename in filelist:
if filename.endswith('jpg'):
image_list.append(os.path.join(path, filename))
return image_list
def histeq(im,nbr_bins=256):
""" 对一幅灰度图像进行直方图均衡化"""
# 计算图像的直方图
imhist,bins = histogram(im.flatten(),nbr_bins,normed=True)
cdf = imhist.cumsum()
# cumulative distribution function
cdf = 255 * cdf / cdf[-1]
# 归一化
# 使用累积分布函数的线性插值,计算新的像素值
im2 = interp(im.flatten(),bins[:-1],cdf)
return im2.reshape(im.shape), cdf
def pca(X):
""" 主成分分析: 输入:矩阵X ,其中该矩阵中存储训练数据,每一行为一条训练数据
返回:投影矩阵(按照维度的重要性排序)、方差和均值"""
# 获取维数
num_data,dim = X.shape
# 数据中心化
mean_X = X.mean(axis=0)
X = X - mean_X
if dim<num_data:
# PCA- 使用紧致技巧
M = dot(X,X.T)
# 协方差矩阵
e,EV = linalg.eigh(M)
# 特征值和特征向量
tmp = dot(X.T,EV).T
# 这就是紧致技巧
V = tmp[::-1]
# 由于最后的特征向量是我们所需要的,所以需要将其逆转
S = sqrt(e)[::-1]
# 由于特征值是按照递增顺序排列的,所以需要将其逆转
for i in range(V.shape[1]):
V[:,i] /= S
else:
# PCA- 使用SVD 方法
U,S,V = linalg.svd(X)
V = V[:num_data]
# 仅仅返回前nun_data 维的数据才合理
# 返回投影矩阵、方差和均值
return V,S,mean_X
def denoise(im,U_init,tolerance=0.1,tau=0.125,tv_weight=100):
""" 使用A. Chambolle(2005)在公式(11)中的计算步骤实现Rudin-Osher-Fatemi(ROF)去噪模型
输入:含有噪声的输入图像(灰度图像)、U 的初始值、TV 正则项权值、步长、停业条件
输出:去噪和去除纹理后的图像、纹理残留"""
m,n = im.shape # 噪声图像的大小
# 初始化
U = U_init
Px = im # 对偶域的x 分量
Py = im # 对偶域的y 分量
error = 1
while (error > tolerance):
Uold = U
# 原始变量的梯度
GradUx = roll(U,-1,axis=1)-U # 变量U 梯度的x 分量
GradUy = roll(U,-1,axis=0)-U # 变量U 梯度的y 分量
# 更新对偶变量
PxNew = Px + (tau/tv_weight)*GradUx
PyNew = Py + (tau/tv_weight)*GradUy
NormNew = maximum(1,sqrt(PxNew**2+PyNew**2))
Px = PxNew/NormNew # 更新x 分量(对偶)
Py = PyNew/NormNew # 更新y 分量(对偶)
# 更新原始变量
RxPx = roll(Px,1,axis=1) # 对x 分量进行向右x 轴平移
RyPy = roll(Py,1,axis=0) # 对y 分量进行向右y 轴平移
DivP = (Px-RxPx)+(Py-RyPy) # 对偶域的散度
U = im + tv_weight*DivP # 更新原始变量
# 更新误差
error = linalg.norm(U-Uold)/sqrt(n*m);
return U,im-U # 去噪后的图像和纹理残余
image_list = get_imlist("G:\\最后两种\\")
index=6858
for image_address in image_list:
index = index + 1
dealIndex=0
for x in range(1,17):
image = Image.open(image_address)
imageArray = array(image)
dealIndex+=1
if x==1:
# 反相处理
imageArray = 255 - imageArray
print("第"+str(index)+"张 反向处理")
elif x==2:
# 将图像像素值变换到100...200 区间
imageArray = (100.0 / 255) * imageArray + 100
print("第" + str(index) + "张 像素值变换")
elif x==3:
# 对图像像素值求平方后得到的图像
imageArray = 255.0 * (imageArray / 255.0) ** 2
print("第" + str(index) + "张 像素值求平方")
elif x==4:
# 图像旋转
image = image.rotate(random.randint(0,360))
imageArray=array(image)
print("第" + str(index) + "张 图像旋转")
elif x==5:
# 直方图均衡化
imageArray,cdf=histeq(imageArray)
print("第" + str(index) + "张 直方图均衡化")
elif x==6:
# gaussian滤波
imageArray = filters.gaussian_filter(imageArray, 5)
print("第" + str(index) + "张 gaussian滤波")
elif x==7:
# Sobel 导数滤波器
imx = zeros(imageArray.shape)
filters.sobel(imageArray, 1, imx)
imy = zeros(imageArray.shape)
filters.sobel(imageArray, 0, imy)
magnitude = sqrt(imx ** 2 + imy ** 2)
imageArray=magnitude
print("第" + str(index) + "张 Sobel导数滤波器")
elif x==8:
# 噪声
imageArray = imageArray + 30 * random.standard_normal(imageArray.shape)
print("第" + str(index) + "张 噪声")
elif x==9:
# 反相处理+像素值变换
imageArray = 255 - imageArray
imageArray = (100.0 / 255) * imageArray + 100
print("第" + str(index) + "张 反相处理+像素值变换")
elif x==10:
# 反相处理+像素值求平方
imageArray = 255 - imageArray
imageArray = 255.0 * (imageArray / 255.0) ** 2
print("第" + str(index) + "张 反相处理+像素值求平方")
elif x==11:
# 像素值求平方+反相处理
imageArray = 255.0 * (imageArray / 255.0) ** 2
imageArray = 255 - imageArray
print("第" + str(index) + "张 像素值求平方+反相处理")
elif x==12:
# 像素值变换+像素值求平方
imageArray = (100.0 / 255) * imageArray + 100
imageArray = 255.0 * (imageArray / 255.0) ** 2
print("第" + str(index) + "张 像素值变换+像素值求平方")
elif x==13:
# 图像旋转+反相
image = image.rotate(random.randint(0, 360))
imageArray = array(image)
imageArray = 255 - imageArray
print("第" + str(index) + "张 图像旋转+反相")
elif x==14:
# 图像旋转+噪声
image = image.rotate(random.randint(0, 360))
imageArray = array(image)
imageArray = imageArray + 30 * random.standard_normal(imageArray.shape)
print("第" + str(index) + "张 图像旋转+噪声")
elif x==15:
# 噪声+直方图均衡化
imageArray = imageArray + 30 * random.standard_normal(imageArray.shape)
imageArray, cdf = histeq(imageArray)
print("第" + str(index) + "张 噪声+直方图均衡化")
imageArray = uint8(imageArray)
image=Image.fromarray(imageArray)
image = image.convert('RGB')
if image_address.rfind("不规则")!= -1:
image.save("G:\\兔屎图片_二次处理\\不规则\\" + str(index)+"_"+str(dealIndex) + ".jpg")
elif image_address.rfind("大小不一") != -1:
image.save("G:\\兔屎图片_二次处理\\大小不一\\" + str(index) +"_"+str(dealIndex)+ ".jpg")
elif image_address.rfind("拉稀") != -1:
image.save("G:\\兔屎图片_二次处理\\拉稀\\" + str(index) +"_"+str(dealIndex)+ ".jpg")
elif image_address.rfind("正常") != -1:
image.save("G:\\兔屎图片_二次处理\\正常\\" + str(index) +"_"+str(dealIndex)+ ".jpg")
print("完事一个")
参考文章:https://www.cnblogs.com/xk-bench/p/7825290.html
发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/182046.html原文链接:https://javaforall.cn
【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛
【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...