数字图像处理实践（一）

处理是计算机技术及其相关学科的重要内容，但是数字图像处理的实践却往往因软件平台的限制而难以展开，本文采用简单易学，应用广泛的python语言，演示了数字图像处理的一般方法。

本文主要论述图片的存储结构、读取、保存、分割、拼接、合成，进一步的内容将在以后推送。

1.准备工作

本文使用python的numpy和matplotlib库演示数字图像的处理。在进行操作之前，需要先配置好运行环境。本文采用的运行环境为python3.9.0加VS Code。

在程序开头要声明所使用的库：

import numpy as np
import matplotlib.pyplot as plt 
import matplotlib.image as mpimg

同时还要准备实验材料，即一张jpg格式的图片：

 

2.图像的读取、显示和保存

2.1图像的读取和保存

使用matplotlib.image中的函数可以轻松实现图片的读取和保存。

img=mpimg.imread('kite.jpg')#打开文件
mpimg.imsave('kite2.jpg',img)#保存文件 

2.2图像数据查看

使用print()方法，可以看到图片以三位数组的形式记录图像数据。使用.shape方法可以获取三维数组的行数、列数和深度。对于BIP类型的图像文件，数组的最外层元素数量代表图像的高度，第二层数组元素数量代表图像的宽度，最里层数组元素数量代表波段数。

输入如下：

print(img)
height,width,bands=img.shape 
print('图像高度为',height,'\n宽度为',width,'\n波段数为',bands)

输出如下：

[[[[253 253 253]
  [253 253 253]
  [253 253 253]
  ...
  [253 253 253]
  [253 253 253]
  [253 253 253]]
  ...
 [[253 253 253]
  [253 253 253]
  [253 253 253]
  ...
  [253 253 253]
  [253 253 253]
  [253 253 253]]]
图像高度为 225
宽度为 211
波段数为 3

2.3图像的显示

图像的显示使用如下方法即可：

plt.imshow(img)
plt.show()

3.图像分割与波段分离

3.1数组索引和切片

经过前面的实验发现，栅格图像数据是以类似多维数组的方式存储的，因此可以采用数组操作的方法对图片进行处理。这里先学习一下数组的切片方法：

一维数组的索引和切片

例程如下：

a=[0,1,2,3,4,5,6]
print(a[2])#显示第2位的元素（序号从0开始）
print(a[2:4])#显示第2位到第4位的元素（不包含第4位）
print(a[2:])#显示第2位以后的元素
print(a[:2])#显示第2位以前的元素（不包含第2位）
print(a[:])#显示全部元素

输出如下：

2
[2, 3]
[2, 3, 4, 5, 6]
[0, 1]
[0, 1, 2, 3, 4, 5, 6]

二维数组的索引和切片

二维数组可以以如下方式进行创建和使用：

a=[[1,2,3],
  [4,5,6],
  [7,8,9]]
print(a[1][1])
print(a[:][1])
print(a[1][:])

输出结果如下：

5
[4, 5, 6]
[4, 5, 6]

这时发现对二维数组只能进行取“行”操作，而不能进行取“列”操作，因此需要引入numpy库中的array对象：

b=np.array(a)
#创建np.array对象b，取代数组a
print(b[1][1])
print(b[:,1])
#取所有行中的第1位元素，即取单列
print(b[1,:])
#取第1行，并取该行所有元素

输出结果如下

5
[2 5 8]
[4 5 6]

3.2图像分割

有了对多维数组的分割方法，即可像处理一般数组一样对图像进行处理：

如截取左上角100×100像素的图片：

img=mpimg.imread('kite.jpg')
new_img=img[:100,:100,:]
#取第100行以前、第100列以前，并保留所有波段
mpimg.imsave('cuted_kite.jpg',new_img)

输出结果：

3.3波段分离

波段的分离同样采用多维数组切片的方法进行：

img=mpimg.imread('kite.jpg')
red_img=img[:,:,0]
#第三维度的索引0，1，2分别代表Red、Green、Blues三个通道的灰度值
mpimg.imsave('red_kite.jpg',red_img)

matplotlib会自动对灰度图像进行伪彩色变换，输出结果如下：

 

4.图像合并和多波段叠加

numpy中提供了三个数组合并的方法：

• hstack：水平拼接，沿着行的方向，对列进行拼接；

• vstack：垂直拼接，沿着列的方向，对行进行拼接；

• dstack：沿着第三个轴（深度方向）进行拼接。

这三个方法也可以用于图像的处理。

4.1图像拼接

图像拼接前需要保证图像的宽度或高度一致，并且波段数一致。

img=mpimg.imread('kite.jpg')
img1=img[:100,:,:]   #取第100行以前
img2=img[150:,:,:]   #取第150行以后
new_img=np.vstack((img1,img2)) 
#垂直拼接，注意括号有两层
mpimg.imsave('new_img.jpg',new_img)

效果如下：

4.2多波段合成

下面演示了多波段假彩色合成方法：

img=mpimg.imread('kite.jpg')
red_img=img[:,:,0]#提取红光波段
green_img=img[:,:,1]#提取绿光波段
blue_img=img[:,:,2]#提取蓝光波段
new_img=np.dstack((red_img,blue_img,green_img))
#交换Blue波段和Green波段，进行合成
mpimg.imsave('new_img2.jpg',new_img)

效果如下：