-
改变色彩饱和度
-
将图像转化为灰度图像
-
创建自定义滤镜
-
填充图片
-
- 填充恒定值
-
通过复制图像内容进行填充
-
图像模糊
-
图像锐化
-
后记
JuliaImages将图片表示为二维数组,每个像素都可以是标量或一维数组:
-
灰度图像将像素表示为标量值,它们称为灰度
-
RGB是三维数组,以三种不同的颜色采用加色法表示每个点
-
具有透明背景的PNG图像具有RGBA四个通道
在Julia中使用load命令时,它将读取图像并将其编码为RGB,下示代码展示了Julia如何管理单个像素的信息:
using Images
img = load(“pictures/custom_image_name.jpg”)
img[1:1, 1:1, :]
在Julia执行了上示的命令之后,看到以下输出:
julia> img[1:1, 1:1, :]
1×1×1 Array{RGB{N0f8},3} with eltype RGB{Normed{UInt8,8}}:
[:, :, 1] =
RGB{N0f8}(0.353,0.286,0.216)
像素由一个RGB对象组成,其中0.349,0.282,0.212是与三个通道中的每个通道的值相对应的值。
图像以从0到1的浮点值表示:
-
0代表黑色
-
1代表白色
浮点数是由1/255缩放的8位整数。例如,白色表示为(1.0,1.0,1.0),黑色表示为(0,0,0),灰色表示为(0.5,0.5,0.5)。这并不是通用的非常常见的表示形式,但是由于在神经网络
中使用图像之前的预处理步骤中被广泛使用。
将像素转换成数字数组
当在Julia中加载彩色图像时,该图像将存储为RGB4对象的二维数组,这是通过使用channelview函数将RGB4分解为多个通道来实现的:
using Images, ImageView
img = load(“pictures/custom_image_name.jpg”)
img_channel_view = channelview(img)
img_channel_view
可以在Julia REPL中看到类似于以下内容的输出:
julia> img_channel_view
img_channel_view = channelview(img)
3×360×640 reinterpret(N0f8, ::Array{RGB{N0f8},3}):
[:, :, 1] =
0.353 0.353 0.345 0.329 0.302 …
现在,每个像素都由三个不同的值表示,可以使用矩阵运算来更改像素的内容。用大于0.7的值更新所有颜色,使其为0.9:
using Images, ImageView
img = load(“pictures/custom_image_name.jpg”)
img_channel_view = channelview(img)
img_channel_view[img_channel_view .> 0.7] .= 0.9
imshow(img)
这将导致背景颜色发生变化:
将数字数组转换为色彩
为了可视化,需要将数字数组转换为颜色。这是通过colorview功能实现的。使用下面的代码以生成一个随机的三维数组并将其转换为RGB图像:
using Images, ImageView
random_img_array = rand(3, 8, 8); # channel, height, width
img = colorview(RGB, random_img_array);
imshow(img)
重要的是要注意,通道维度在第一位,然后是高度,最后是宽度。例如,如果通道维不是第一个,而是最后一个,则应使用permuteddimsview或permutedims函数将它们按正确的顺序放置:
using Images, ImageView
random_img_array = rand(40, 100, 3); # height, width, channel
img_perm = permuteddimsview(random_img_array, (3, 1, 2))
img = colorview(RGB, Float16.(img_perm))
imshow(img)
完成相同功能的另一种实现方法如下:
using Images, ImageView
random_img_array = rand(40, 100, 3); # height, width, channel
img_perm = permutedims(random_img_array, [3, 1, 2])
img = colorview(RGB, img_perm)
imshow(img)
两种方法的区别在于分配内存的时刻。第一个选项在Float16时分配内存,第二个选项在permutedims时分配。
学习了如何将颜色转换为多维通道,现在,将学习如何在RGB配色方案中更改特定通道的内容,以模拟照片应用程序中的滤镜。
首先加载图像,然后执行以下步骤:
- 将图像转换为channelview,并将通道设置为最后一个维度:
using Images, ImageView
img = load(“pictures/custom_image_name.jpg”);
img_ch_view = channelview(img); # extract channels
img_ch_view = permuteddimsview(img_ch_view, (2, 3, 1));
reorder channels
- 将现有图像分为两部分,并对第二部分应用滤镜:
x_coords = Int(size(img, 2) / 2):size(img, 2);
- 首先将第一个通道的饱和度增加10%,并将其限制为最大值1。这是通过将现有通道值乘以1.1与min函数相结合来完成的。还请记住,第一个通道对应于红色:
img_ch_view[:, x_coords, 1] = min.(img_ch_view[:, x_coords, 1] .* 1.1, 1);
imshow(img)
- 通过将其饱和度增加20%来更新第二个通道。第二层对应于绿色:
img_ch_view[:, x_coords, 2] = min.(img_ch_view[:, x_coords, 2] .* 1.2, 1);
imshow(img)
- 更改与蓝色相对应的第三个通道,并将其强度增加40%:
img_ch_view[:, x_coords, 3] = min.(img_ch_view[:, x_coords, 3] .* 1.4, 1);
imshow(img)
色阶是从0.0
到1.0
,其他值不被接受。
此处并没有分配内存,而是使用视图来更新原始图像的内容。
计算机视觉中最受欢迎的活动之一是转换为图像并使用其灰度版本。在Julia中,这是通过使用Gray函数来实现的:
using Images
img = load(“pictures/custom_image_name.jpg”);
img_gray = Gray.(img)
imshow(img_gray)
灰度图像广泛用于经典计算机视觉中,用于诸如特征检测,形态学等任务。使用灰度图像的好处是它们以一个单一的维度表示,因此可以快速进行处理和分析。
与RGB图像的三维尺寸相比,Gray返回的尺寸为单个尺寸。使用以下命令将一个通道的灰度图像转换为一个三通道的灰度RGB图像:
img_gray_rgb = RGB.(Gray.(img))
创建一个颜色飞溅滤镜效果。通过使用表示将要保留的颜色的点或区域来实现颜色飞溅滤镜效果。
从加载图像开始:
自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。
深知大多数Python工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但对于培训机构动则几千的学费,着实压力不小。自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年Python开发全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上Python开发知识点,真正体系化!
由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新
如果你觉得这些内容对你有帮助,可以添加V获取:vip1024c (备注Python)
70aad5355a2c5eeff0.png)
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上Python开发知识点,真正体系化!
由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新
如果你觉得这些内容对你有帮助,可以添加V获取:vip1024c (备注Python)
[外链图片转存中…(img-29NKRGMf-1711824955849)]