计算机视觉实验一——图像的基本操作

计算机视觉相关实验内容主要来自于《Python计算机视觉编程（Jan Erik Solem著）》这本书，感兴趣的同学可以系统学习。网盘下载链接: link

一、实验目标

1. 分别使用 PIL 库和 OpenCV 库读取图像并实现可视化，对比OpenCV 读取和 PIL 读取的差异
2. 利用 thumbnail() 函数创建图像缩略图，利用 resize() 函数处理图像，对比两者差别
3. 绘制图像的轮廓与直方图
4. 实现图像的灰度变换、直方图均衡化
5. 实现图像的不同高斯模糊、计算导数
6. ROF模型去噪

二、实验内容

1.分别使用 PIL 库和 OpenCV 库读取图像并实现可视化，对比OpenCV 读取和 PIL 读取的差异

①使用 PIL 库读取图像并实现可视化

from PIL import Image
# 读取图片
img = Image.open('img1.jpg')
# 显示图片，调用show方法
img.show()

②使用OpenCV 库读取图像并实现可视化

# 读入图像
# 1的话读取全彩图片 0读取灰度图片即黑白图片
img = cv2.imread('img1.jpg', 1)

# 显示图像
cv2.namedWindow('img', cv2.WINDOW_NORMAL)
cv2.resizeWindow('img', 500, 490)

cv2.imshow('img', img)

cv2.waitKey(0)  # 让程序暂停，否则图片一闪而过来不及观察图片
# 保存图像
# IMWRITE_JPEG_QUALITY的取值范围为0-100，下面写入jpg格式，数值越小，压缩比越高，图片失真严重
cv2.imwrite('img1_copy.jpg', img, [cv2.IMWRITE_JPEG_QUALITY, 0])

③二者的差异
（1）输出差异
cv2.imread()读取的是图像的真实数据。lmage.open()函数只是保持了图像被读取的状态，但是图像的真实数据并未被读取。
（2）通道差异
Image.open()读取的通道顺序是RGB，cv2.imread()读取的通道顺序为BGR。

# 读入图像
# OpenCV读取
img1 = cv2.imread('img1.jpg')
# PIL读取
img2 = Image.open('img1.jpg')

# 显示图像
plt.figure(dpi=120)
plt.subplot(121)  # 1代表行，2代表列，所以一共有2个图，1代表此时绘制第一个图。
plt.axis('off')  # 取消坐标轴
plt.title("OpenCV")  # 标题
plt.imshow(img1)  # 显示图片

plt.subplot(122)  # 1代表行，2代表列，所以一共有2个图，2代表此时绘制第二个图。
plt.axis('off')  # 取消坐标轴
plt.title("PIL")  # 标题
plt.imshow(img2)  # 显示图片
plt.show()  # 显示窗口

2.利用 thumbnail() 函数创建图像缩略图，利用 resize() 函数处理图像，对比两者差别

①利用 thumbnail() 函数创建图像缩略图

from PIL import Image

img = Image.open('img1.jpg')
img.thumbnail((200, 150))

②利用 resize() 函数处理图像

img = array(Image.open('img1.jpg'))
out = img.resize((200, 150))

③二者差别
resize() 函数是修改图片的size, resample参数传入采样算法, 一般使用高质量缩放的Image.LANCZOS参数。
thumbnail() 函数是制作当前图片的缩略图, 参数size指定了图片的最大的宽度和高度。

3. 绘制图像的轮廓与直方图

# 读取图像到数组中 灰度化
im = array(Image.open('img1.jpg').convert('L'))

# 新建一个图像
figure()
# 不使用颜色信息
gray()
# 在原点的左上角显示轮廓图像
contour(im, origin='image')
axis('equal')
axis('off')

figure()
# 绘制直方图
hist(im.flatten(), 128)
show()

①图像的轮廓

②直方图：

4. 实现图像的灰度变换、直方图均衡化

①灰度变化：

from PIL import Image
from numpy import *
from matplotlib import pyplot as plt

im = array(Image.open('img1.jpg').convert('L'))
im2 = 255 - im  # 对图像进行反相处理
im3 = (100.0 / 255) * im + 100  # 将图像像素值变换到100...200区间
im4 = 255.0 * (im / 255.0) ** 2  # 对图像像素值求平方后得到的图像

plt.title("opposition processing")  # 标题
plt.imshow(im2)  # 显示图片
plt.show()

plt.title("pixel value 100...200")  # 标题
plt.imshow(im3)  # 显示图片
plt.show()

plt.title("squaring pixel values")  # 标题
plt.imshow(im4)  # 显示图片
plt.show()

②直方图均衡化：

# 获取直方图——计算像素值出现概率
def GetHist(img):
    assert isinstance(img, np.ndarray)
    prob = np.zeros(shape=256)

    for rv in img:
        for cv in rv:
            prob[cv] += 1
row, col = img.shape
    prob = prob / (row * col)
    return prob

# 直方图均衡化
def EqualHist(img, prob):
    # 累计概率
    prob = np.cumsum(prob)

    # 像素值映射
    img_map = [int(i * prob[i]) for i in range(256)]

    # 像素值替换
    assert isinstance(img, np.ndarray)
    row, col = img.shape
    for i in range(row):
        for j in range(col):
            img[i, j] = img_map[img[i, j]]
    return img

# 画直方图
def Draw_plot(y, name):
    plt.figure(num=name)
    plt.bar([i for i in range(256)], y, width=1)

均衡化后的灰度图像：

5.实现图像的不同高斯模糊、计算导数

①不同高斯模糊（标准差为5和标准差为10）

from PIL import Image
from matplotlib import pyplot as plt
from numpy import *
from scipy.ndimage import filters

im = array(Image.open('img1.jpg'))
im2 = filters.gaussian_filter(im, 5)  # 使用滤波操作模块，参数表示标准差
im3 = filters.gaussian_filter(im, 10)

plt.title("σ=5")  # 标题
plt.imshow(im2)  # 显示图片
plt.show()

plt.title("σ=10")  # 标题
plt.imshow(im3)  # 显示图片
plt.show()

②计算导数

from PIL import Image
from matplotlib import pyplot as plt
from numpy import *
from scipy.ndimage import filters

im = array(Image.open('img1.jpg').convert('L'))

imx = zeros(im.shape)  # Sobel导数滤波器
filters.sobel(im, 0, imx)  # 选择x方向导数

imy = zeros(im.shape)
filters.sobel(im, 1, imy)  # 选择y方向导数

magnitude = sqrt(imx**2+imy**2)

plt.title("x")  # 标题
plt.imshow(imx)  # 显示图片
plt.show()

plt.title("y")  # 标题
plt.imshow(imy)  # 显示图片
plt.show()

6.ROF模型去噪

figure()
gray()

im = array(Image.open('img1.jpg').convert('L'))
subplot(1, 3, 1)
imshow(im)
axis("off")

U, T = rof.denoise(im, im)
G = filters.gaussian_filter(im, 10)
subplot(1, 3, 2)
imshow(U)
axis("off")

subplot(1, 3, 3)
imshow(G)
axis("off")
show()

使用denoise() 函数

可以看到，ROF 去噪后的图像保留了边缘和图像的结构信息，同时模糊了“噪声”。