一文總結Python數(shù)字圖像處理基礎知識與前沿應用

點擊下面卡片關注，”AI算法與圖像處理”
最新CV成果，火速送達

介紹

數(shù)字圖像處理由涉及在計算機上處理圖像的各種技術和方法組成。對圖像進行各種類型的操作，構成數(shù)字圖像處理。

了解圖像實際上是什么

圖像基本上是二維信號。信號函數(shù)是 f(x,y)，其中 x 和 y 在某個點的值生成該點的像素。圖像基本上是一個由 0 到 255 之間的數(shù)字組成的二維數(shù)組。

圖像處理涉及多種因素。圖像處理有幾個主要動機。

圖像處理幫助

1. 改進我們存儲的數(shù)字信息。
2. 使圖像處理自動化。
3. 更好的圖像優(yōu)化，實現(xiàn)高效的存儲和傳輸。

這些年來，圖像處理有了很大的進步，圖像處理的現(xiàn)代商業(yè)應用也很多。

圖像處理用途

1.  圖像校正、銳化和分辨率校正

通常，我們希望我們可以將舊圖像做得更好。這在今天是可能的。縮放、銳化、邊緣檢測、高動態(tài)范圍編輯都屬于這一類。所有這些步驟都有助于增強圖像。大多數(shù)編輯軟件和圖像校正代碼都可以輕松完成這些操作。

2. 編輯應用程序和社交媒體的過濾器

如今，大多數(shù)編輯應用程序和社交媒體應用程序都提供過濾器。

以上是原始圖像和過濾后的圖像的示例。濾鏡使圖像看起來更具視覺吸引力。濾鏡通常是一組函數(shù)，可以更改圖像中的顏色和其他方面，使圖像看起來不同。過濾器是圖像處理的一個有趣應用。

3. 醫(yī)療技術

在醫(yī)學領域，圖像處理用于各種任務，如 PET 掃描、X 射線成像、醫(yī)學 CT、紫外線成像、癌細胞圖像處理等等。將圖像處理引入醫(yī)療技術領域極大地改善了診斷過程。

左邊的圖像是原始圖像。右邊的圖像是經(jīng)過處理的圖像。我們可以看到處理后的圖像要好得多，可以用于更好的診斷。

4. 計算機/機器視覺

圖像處理最有趣和最有用的應用之一是計算機視覺。計算機視覺用于使計算機看到、識別事物，并將整個環(huán)境作為一個整體進行處理。計算機視覺的一個重要用途是自動駕駛汽車、無人機等。CV 有助于障礙物檢測、路徑識別和理解環(huán)境。

這就是典型的計算機視覺對汽車自動駕駛儀的工作方式。計算機接收實時鏡頭并分析其他汽車、道路和其他障礙物。

5. 模式識別

模式識別是圖像處理的一部分，涉及人工智能和機器學習。圖像處理用于找出圖像中的各種模式和方面。模式識別用于手寫分析、圖像識別、計算機輔助醫(yī)療診斷等。

6. 視頻處理

視頻基本上是圖像的快速移動。視頻處理中使用了各種圖像處理技術。視頻處理的一些方法是噪聲去除、圖像穩(wěn)定、幀速率轉換、細節(jié)增強等等。

Python 圖像處理入門

讓我們從 Python 中的一些基本圖像相關任務開始。我們將使用 PIL。

PIL：https://pypi.org/project/Pillow/

Python 圖像庫用于各種圖像處理任務。

安裝

   

    pip install pillow

   

安裝了PIL后，我們現(xiàn)在可以轉到代碼了。

首先，我們使用一些 matplotlib 函數(shù)。

   

    import matplotlib.image as img
import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline

   

將讀取以下圖像。它被命名為 image1.jpg。

   

    # reading jpg image 
img = img.imread('image1.jpg')
plt.imshow(img)

   

圖像被讀取。

   

    # modifying the shape of the image
lum1 = img[:, :, 0] 
plt.imshow(lum1)

   

現(xiàn)在修改了圖像形狀。

現(xiàn)在我們將其更改為“熱”顏色圖。

要了解有關顏色圖的更多信息，請訪問此鏈接：https://matplotlib.org/stable/tutorials/colors/colormaps.html。

   

    plt.imshow(lum1, cmap ='hot') 
plt.colorbar()

   

圖像輸出看起來：

現(xiàn)在我們嘗試不同的顏色圖。

   

    imgplot = plt.imshow(lum1)
imgplot.set_cmap('nipy_spectral')

   

圖像輸出：

使用顏色圖的原因是，通常在各種應用程序和用途中，擁有統(tǒng)一的顏色圖會有所幫助。閱讀有關顏色圖的更多信息：在 Matplotlib 中選擇顏色圖 https://matplotlib.org/stable/tutorials/colors/colormaps.html。

現(xiàn)在讓我們看看為什么我們將圖像稱為二維數(shù)組。

   

    #data type of lum1

print(type(lum1))

   

輸出：<class 'numpy.ndarray'>

   

    print(lum1)

   

[[ 92 91 89 … 169 168 169]

[110 110 110 … 168 166 167]

[100 103 108 … 164 163 164]

…

[ 97 96 95 … 144 147 147]

[ 99 99 98 … 145 139 138]

[102 102 103 … 149 137 137]]

這些點只是為了表明它們之間還有更多的數(shù)據(jù)點。但是可以肯定的是，所有數(shù)據(jù)都是數(shù)字數(shù)據(jù)。

讓我們找出數(shù)組的大小。

   

    len(lum1)

   

輸出：320

   

    len(lum1[300])

   

輸出：658

這為我們提供了圖像的像素數(shù)和尺寸：320*658。

我們稍后也會驗證這一點。

現(xiàn)在，我們使用 PIL。

   

    from PIL import Image

   

我們將使用這個圖像文件，命名為：people.jpg。

   

    img2 = Image.open('people.jpg')
plt.imshow(img2)

   

圖像被讀取。

現(xiàn)在，我們調(diào)整圖像大小。

   

    img2.thumbnail((50, 50), Image.ANTIALIAS)  # resizes image in-place
imgplot = plt.imshow(img2)

   

   

    imgplot1 = plt.imshow(img2, interpolation="nearest")

   

   

    imgplot2 = plt.imshow(img2, interpolation="bicubic")

   

但是，為什么我們在圖像處理中故意模糊圖像？通常對于模式識別和計算機視覺算法，如果圖像非常清晰，處理起來就會很困難。因此進行模糊處理以使圖像平滑。模糊還可以使圖像中的顏色過渡從一側到另一側更加平滑。

現(xiàn)在，讓我們驗證我們之前處理過的汽車圖像的尺寸。

   

    #some more interesting stuff
file='image1.jpg'
with Image.open(file) as image: 
    width, height = image.size 
#Image width, height is be obtained

   

這些也是我們之前得到的維度。所以我們可以得出結論，圖像是320*658。

讓我們也嘗試旋轉和轉置圖像。

   

    #Relative Path 
img3 = Image.open("image1.jpg")  
#Angle given 
img_rot= img3.rotate(180)  
#Saved in the same relative location 
img_rot.save("rotated_picture.jpg")

   

這是旋轉后的圖像。

   

    #transposing image  
transposed_img = img3.transpose(Image.FLIP_LEFT_RIGHT)
#Saved in the same relative location 
transposed_img.save("transposed_img.jpg")

   

這是轉置后的圖像。

尾注

圖像處理有各種重要的應用，隨著時間的推移，方法和過程也會得到改進。

      

       個人微信（如果沒有備注不拉群！）
      
      

       請注明：地區(qū)+學校/企業(yè)+研究方向+昵稱
      
      

       

      


下載1：何愷明頂會分享

在「AI算法與圖像處理」公眾號后臺回復：何愷明，即可下載。總共有6份PDF，涉及 ResNet、Mask RCNN等經(jīng)典工作的總結分析

下載2：終身受益的編程指南：Google編程風格指南

在「AI算法與圖像處理」公眾號后臺回復：c++，即可下載。歷經(jīng)十年考驗，最權威的編程規(guī)范！


    

     

    
    

     下載3 CVPR2021
    
    

     

    
    

     在「AI算法與圖像處理」公眾號后臺回復：CVPR，即可下載1467篇CVPR 2020論文 和 CVPR 2021 最新論文
    
   

    

     

      

       

        

         

          
點亮 ，告訴大家你也在看