基本的图像处理和操作——Scipy

最新推荐文章于 2021-08-19 14:59:10 发布
最新推荐文章于 2021-08-19 14:59:10 发布
阅读量713 收藏 7
点赞数 1
分类专栏： python学习笔记 机器视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41905413/article/details/106737400
版权

1.Scipy

        Scipy是建立在NumPy基础上，用于数值运算的开源工具包。Scipy提供很多高效的操作，可以实现数值积分、优化、统计、信号处理，以及最重要的图像处理功能。

1.1图像模糊

       Scipy有用来做滤波操作的scipy.ndimage.filters模块。该模块使用快速一维分离的方式计算卷积。

from PIL import Image
from pylab import *
import numpy as np
from scipy.ndimage import filters

# 添加中文字体支持
from matplotlib.font_manager import FontProperties

font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14)



figure()

im = array(Image.open('empire.jpg').convert('L'))
im2 = filters.gaussian_filter(im,2)
subplot(1,3,1)
imshow(im2)
axis("off")
title(u'grayGaussianSigma==2', FontProperties=font)

im = array(Image.open('empire.jpg').convert('L'))
im2 = filters.gaussian_filter(im,5)
subplot(1,3,2)
imshow(im2)
axis("off")
title(u'grayGaussianSigma==5', FontProperties=font)

im = array(Image.open('empire.jpg').convert('L'))
im2 = filters.gaussian_filter(im,10)
subplot(1,3,3)
imshow(im2)
axis("off")
title(u'grayGaussianSigma=10', FontProperties=font)

show()

上面gaussian_filter()函数的最后一个参数表示标准差。

上图显示了随着sigma的增加，一幅图像被模糊的程度。sigma越大，处理后的图像细节丢失越多。如果打算模糊一幅彩色图像，只需简单地对每一个颜色通道进行高斯模糊：

from PIL import Image
from pylab import *
import numpy as np
from scipy.ndimage import filters

# 添加中文字体支持
from matplotlib.font_manager import FontProperties

font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14)

figure()


im = array(Image.open('empire.jpg'))
subplot(2,2,1)
imshow(im)
axis("off")
title(u'原图', FontProperties=font)

im2 = zeros(im.shape)
for i in range(3):
    im2[:,:,i] = filters.gaussian_filter(im[:,:,i],2)
im2 = np.uint8(im2)
subplot(2,2,2)
imshow(im2)
axis("off")
title(u'RGB_gaussian_sigma=2', FontProperties=font)

im2 = zeros(im.shape)
for i in range(3):
    im2[:,:,i] = filters.gaussian_filter(im[:,:,i],5)
im2 = np.uint8(im2)
subplot(2,2,3)
imshow(im2)
axis("off")
title(u'RGB_gaussian_sigma=5', FontProperties=font)

im2 = zeros(im.shape)
for i in range(3):
    im2[:,:,i] = filters.gaussian_filter(im[:,:,i],10)
im2 = np.uint8(im2)
subplot(2,2,4)
imshow(im2)
axis("off")
title(u'RGB_gaussian_sigma=10', FontProperties=font)

show()

在上面的代码中，并不总是需要将图像转换为uint8格式，这里只是将像素值用八位来表示。也可以用：

im = array(im2,'uint8')

 

 

 

1.2图像导数 

 

 

from PIL import Image
from pylab import *
import numpy as np
from scipy.ndimage import filters

# 添加中文字体支持
from matplotlib.font_manager import FontProperties

font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14)


figure()
gray()

im = array(Image.open('empire.jpg').convert('L'))
subplot(1,4,1)
imshow(im)
axis("off")
title(u'原图', FontProperties=font)

#Sobel导数滤波器
imx = zeros(im.shape)
filters.sobel(im,1,imx)
subplot(1,4,2)
imshow(imx)
axis("off")
title(u'x导数图像', FontProperties=font)


imy = zeros(im.shape)
filters.sobel(im,0,imy)
subplot(1,4,3)
imshow(imy)
axis("off")
title(u'y导数图像', FontProperties=font)


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

subplot(1,4,4)
imshow(magnitude)
axis("off")
title(u'梯度大小图像', FontProperties=font)

show()

 上面的代码使用 Sobel 滤波器来计算 x 和 y 的方向导数，以及梯度大小。 sobel() 函数的第二个参数表示选择 x 或者 y 方向导数，第三个参数保存输出的变量。下图显示了用 Sobel 滤波器计算出的导数图像。在两个导数图像中，正导数显示为亮的像素，负导数显示为暗的像素。灰色区域表示导数的值接近于零。

 

        上述计算图像导数的方法有一些缺陷：在该方法中，滤波器的尺度需要随着图像分辨率的变化而变化。为了在图像噪声方面更稳健，以及在任意尺度上计算导数，我们可以使用高斯导数滤波器：

 




figure()
gray()

#******************************************************************************

im = array(Image.open('empire.jpg').convert('L'))
subplot(3,4,1)
imshow(im)
axis("off")
title(u'原图', FontProperties=font)

sigma = 3 #标准差

imx = zeros(im.shape)
filters.gaussian_filter(im,(sigma,sigma),(0,1),imx)
subplot(3,4,2)
imshow(imx)
axis("off")
title(u'x导数sigma3', FontProperties=font)

imy = zeros(im.shape)
filters.gaussian_filter(im,(sigma,sigma),(1,0),imy)
subplot(3,4,3)
imshow(imy)
axis("off")
title(u'y导数sigma3', FontProperties=font)

magnitude  = sqrt(imx**2+imy**2)
subplot(3,4,4)
imshow(magnitude)
axis("off")
title(u'梯度大小sigma3', FontProperties=font)







#******************************************************************************
im = array(Image.open('empire.jpg').convert('L'))
subplot(3,4,5)
imshow(im)
axis("off")
title(u'原图', FontProperties=font)


sigma = 5 #标准差

imx = zeros(im.shape)
filters.gaussian_filter(im,(sigma,sigma),(0,1),imx)
subplot(3,4,6)
imshow(imx)
axis("off")
title(u'x导数sigma5', FontProperties=font)

imy = zeros(im.shape)
filters.gaussian_filter(im,(sigma,sigma),(1,0),imy)
subplot(3,4,7)
imshow(imy)
axis("off")
title(u'y导数sigma5', FontProperties=font)

magnitude  = sqrt(imx**2+imy**2)
subplot(3,4,8)
imshow(magnitude)
axis("off")
title(u'梯度大小sigma5', FontProperties=font)



#******************************************************************************
im = array(Image.open('empire.jpg').convert('L'))
subplot(3,4,9)
imshow(im)
axis("off")
title(u'原图', FontProperties=font)

sigma = 10 #标准差

imx = zeros(im.shape)
filters.gaussian_filter(im,(sigma,sigma),(0,1),imx)
subplot(3,4,10)
imshow(imx)
axis("off")
title(u'x导数sigma10', FontProperties=font)

imy = zeros(im.shape)
filters.gaussian_filter(im,(sigma,sigma),(1,0),imy)
subplot(3,4,11)
imshow(imy)
axis("off")
title(u'y导数sigma10', FontProperties=font)

magnitude  = sqrt(imx**2+imy**2)
subplot(3,4,12)
imshow(magnitude)
axis("off")
title(u'梯度大小sigma10', FontProperties=font)


show()

该函数的第三个参数指定对每个方向计算哪种类型的导数，第二个参数为使用的标准差。你可以查看相应文档了解详情。

 

1.3形态学：对象计数 

       形态学（或数学形态学）是度量和分析基本形状的图像处理方法的基本框架与集合。形态学通常用于处理二值图像，但是也能够用于灰度图像。二值图像是指图像的每个像素只能取两个值，通常是 0 和 1。二值图像通常是，在计算物体的数目，或者度量其大小时，对一幅图像进行阈值化后的结果。你可以从 http://en.wikipedia.org/wiki/Mathematical_morphology 大体了解形态学及其处理图像的方式。
       scipy.ndimage 中 的 morphology 模 块 可 以 实 现 形 态 学 操 作。 你 可 以 使 用 scipy.ndimage 中的 measurements 模块来实现二值图像的计数和度量功能。下面通过一个简单的例子介绍如何使用它们。
       考虑在下图 里的二值图像，计算该图像中的对象个数可以通过下面的脚本实现：
               from scipy.ndimage import measurements,morphology
               # 载入图像，然后使用阈值化操作，以保证处理的图像为二值图像
               im = array(Image.open('houses.png').convert('L'))
               im = 1*(im<128)
               labels, nbr_objects = measurements.label(im)
               print "Number of objects:", nbr_objects
      上面的脚本首先载入该图像，通过阈值化方式来确保该图像是二值图像。通过和 1相乘，脚本将布尔数组转换成二进制表示。然后，我们使用 label() 函数寻找单个的物体，并且按照它们属于哪个对象将整数标签给像素赋值。图 1-12b 是 labels 数组的图像。图像的灰度值表示对象的标签。可以看到，在一些对象之间有一些小的连接。进行二进制开（binary open）操作，我们可以将其移除：
                # 形态学开操作更好地分离各个对象
                im_open = morphology.binary_opening(im,ones((9,5)),iterations=2)
                labels_open, nbr_objects_open = measurements.label(im_open)
                 print "Number of objects:", nbr_objects_open
       binary_opening() 函数的第二个参数指定一个数组结构元素。该数组表示以一个像素为中心时，使用哪些相邻像素。在这种情况下，我们在 y 方向上使用 9 个像素（上面 4 个像素、像素本身、下面 4 个像素），在 x 方向上使用 5 个像素。你可以指定任意数组为结构元素，数组中的非零元素决定使用哪些相邻像素。参数iterations 决定执行该操作的次数。你可以尝试使用不同的迭代次数 iterations 值，看一下对象的数目如何变化。

from scipy.ndimage import measurements,morphology
from pylab import *
from PIL import Image

# 添加中文字体支持
from matplotlib.font_manager import FontProperties

font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14)


figure()
gray()
#载入图像，然后使用阈值化操作，以保证处理的图像为二值图像
im = array(Image.open("airplane.png").convert("L"))
subplot(2,2,1)
imshow(im)
axis("off")
title(u"原图",FontProperties=font)
im = 1*(im<128)

labels,nbr_objects = measurements.label(im)
print(u"Number of objects:",nbr_objects)
subplot(2,2,2)
imshow(labels)
axis("off")
title(u"标记后的图",FontProperties=font)

#形态学开操作更好地分离各个对象
im_open = morphology.binary_opening(im,ones((9,5)),iterations=2)
subplot(2,2,3)
imshow(im_open)
axis("off")
title(u"开运算后的图",FontProperties=font)

labels_open,nbr_objects_open = measurements.label(im_open)
print("Number of objects:",nbr_objects_open)
subplot(2,2,4)
imshow(labels_open)
axis("off")
title(u"开运算后标记的图",FontProperties=font)

show()

1.4一些有用的Scipy模块

SciPy 中包含一些用于输入和输出的实用模块。下面介绍其中两个模块： io 和 misc 。

 

1.4.1读写.mat文件

如果你有一些数据，或者在网上下载到一些有趣的数据集，这些数据以 Matlab的 .mat 文件格式存储，那么可以使用 scipy.io 模块进行读取。
                                 data = scipy.io.loadmat('test.mat')
上面代码中， data 对象包含一个字典，字典中的键对应于保存在原始 .mat 文件中的变量名。由于这些变量是数组格式的，因此可以很方便地保存到 .mat 文件中。你仅需创建一个字典（其中要包含你想要保存的所有变量），然后使用 savemat() 函数：
                                data = {}
                                data['x'] = x
                                scipy.io.savemat('test.mat',data)
因为上面的脚本保存的是数组 x，所以当读入到 Matlab 中时，变量的名字仍为 x。关于 scipy.io 模块的更多内容，请参见在线文档 http://docs.scipy.org/doc/scipy/reference/io.html。

 


1.4.2.以图像形式保存数组


       因为我们需要对图像进行操作，并且需要使用数组对象来做运算，所以将数组直接保存为图像文件非常有用。本书中的很多图像都是这样的创建的。imsave() 函数可以从 scipy.misc 模块中载入。要将数组 im 保存到文件中，可以使用下面的命令：
                             from scipy.misc import imsave
                              imsave('test.jpg',im)
scipy.misc 模块同样包含了著名的 Lena 测试图像：
                             lena = scipy.misc.lena()
该脚本返回一个 512×512 的灰度图像数组。

 

参考博客：https://blog.csdn.net/u013327188/article/details/105527954/

代码运行涉及到的图片：

             empire.jpg

 

                          airplane.png

 

西关以西（望北楼）
关注
  • 1
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Python计算机视觉——图像处理基础
01-06
文章目录1. 安装调试python时遇到的问题以及解决方法：2. 图像轮廓和直方图2.1 ...1.PIL (Python Imaging Library)图像库：提供了很多常用的图像处理及很多有用的图像基本操作。PIL库下载地址[www.pythonware.com/prod
文件读写
江南又一春
12-11 218
1、文件的基本内容 (1)文件和流的关系 可以将顺序文件看作一个有限字符构成的顺序字符流,然后像对 cin, cout 一样的读写。 (2)创建文件 方式一：创建时直接关联文件(初始化) #include <fstream> // 包含头文件 ofstream outFile(“clients.dat”, ios::out|ios::binary);//创建文件 参数： clie...
binary和text方式打开文件的区别
雁南飞
09-14 7378
binary和text方式打开文件的区别    
c语言open的访问模式
werdery的博客
05-23 418
r:read读 w:write写 a:append追加，在原有文本后追加 r+:读写 rb:read binary二进制读 wb:write binary二进制写 ab:append binary二进制追加
OpenCV__Python 图像的开闭操作_教程26
chencaw的专栏
12-03 437
（1）开操作 先腐蚀后膨胀 （2）闭操作 先膨胀后腐蚀 （3）选取合适的参数，可以检测水平和垂直的线 1、开操作 #引入opencv模块 import cv2 as cv #引入numpy模块 import numpy as np #引入sys模块 import sys #open def open_test(img): #（1）灰度化，阈值分割，黑色里面找白色！！！ gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY) ret,b
scipy.ndimage.filters.gaussian_filter()
热门推荐
pursuit_zhangyu的博客
06-29 1万+
scipy.ndimage.filters.gaussian_filter() 多维高斯滤波器 scipy.ndimage.filters.gaussian_filter(input, sigma, order=0, output=None, mode='reflect', cval=0.0, truncate=4.0) Parameters: input：输入到函数的是矩阵 sigma...
Programming Computer Vision with Python （学习笔记七）
weixin_33811539的博客
11-26 133
数学形态学（mathematical morphology）关注的是图像中的形状，它提供了一些方法用于检测形状和改变形状。起初是基于二值图像提出的，后来扩展到灰度图像。二值图像就是：每个像素的值只能是0或1，1代表描绘图像的点，0代表背景。 基本的形态学运算包括：腐蚀（erosion）、膨胀（dilation）、开（opening）、闭（...
scipy.ndimage.filters.gaussian_filter高斯滤波（高斯模糊）
guoqiangszu的博客
04-02 4679
scipy.ndimage.filters.gaussian_filter¶ scipy.ndimage.filters.gaussian_filter(input,sigma,order=0,output=None,mode='reflect',cval=0.0,truncate=4.0)[source] Parameters: input: array_like...
图像处理中媲美matlab的python包——scikit-image（skimage）包的用法详解
weixin_43154228的博客
03-21 1795
前言： 基于python的图片处理包还是很多的，比如PIL,Pillow, opencv, scikit-image等。其中，PIL和Pillow只提供最基础的数字图像处理，功能有限；opencv本质上是一个c++库，只是提供了python的接口，官方更新速度非常慢，而且安装很不容易。综合来看，scikit-image是基于scipy的一款图像处理包，它功能非常齐全，同时将图片作为numpy数组进...
python 开闭运算、腐蚀膨胀
qq_27481087的博客
08-19 314
from skimage.morphology import binary_opening, binary_closing, disk, binary_erosion, binary_dilation from skimage.util import invert from skimage.color import rgb2gray from skimage.io import imread import numpy as np import matplotlib.pyplot as plt im = r
python数字图像处理之高级形态学处理
01-27
形态学处理，除了最基本的膨胀、腐蚀、开/闭运算、黑/白帽处理外，还有一些更高级的运用，如凸包，连通区域标记，删除小块区域等。凸包是指一个凸多边形，这个凸多边形将图片中所有的白色像素点都包含在内。函数为：输入为二值图像，输出一个逻辑二值图像。在凸包内的点为True,否则为False例：convex_hull_image()是将图片中的所有目标看作一个整体，因此计算出来只有一个最小凸多边形。如果图中有多个目标物体，每一个物体需要计算一个最小凸多边形，则需要使用convex_hull_object（）函数。函数格式：skimage.morphology.convex_hull_object(im
计算机视觉——图像处理基础
12-22
图像处理基础1. PIL-Python图像库1.1 图片的格式转换1.2 创建缩略图1.3拷贝并粘贴区域1.4 调整尺寸及旋转2....PIL (Python Imaging Library)图像库提供了很多常用的图像处理及很多有用的图像基本操作。 Image.
Python scipy的二维图像卷积运算与图像模糊处理操作示例
09-18
主要介绍了Python scipy的二维图像卷积运算与图像模糊处理操作,涉及Python数学运算与图形绘制相关操作技巧,需要的朋友可以参考下
2.6. 使用Numpy和Scipy进行图像操作及处理.ipynb
最新发布
04-28
2.6. 使用Numpy和Scipy进行图像操作及处理
python-图像处理入门.pdf
06-11
Image Processing with Python An introduction to the use of Python, NumPy, SciPy and matplotlib for image processing tasks In preparation for the exercises of the Master course module Image Processing ...
NumPy攻略学习笔记(二)
dj1174232716的专栏
11-12 3648
第二章.高级索引和数组概念
python图像分割_Python图像处理库(2)
weixin_39920415的博客
11-21 474
1.4　SciPySciPy（http://scipy.org/） 是建立在 NumPy 基础上，用于数值运算的开源工具包。SciPy 提供很多高效的操作，可以实现数值积分、优化、统计、信号处理，以及对我们来说最重要的图像处理功能。接下来，本节会介绍 SciPy 中大量有用的模块。SciPy 是个开源工具包，可以从http://scipy.org/Download 下载。1.4.1　图像模糊图像的...
数字图像处理python基础 （二）
小木的博客
01-24 1660
python图像处理基础（二） 写在前面的话： 方便以后查文档，且这篇文章会随着学习一直更（因为还有opencv还没怎么学，目前是一些基本的操作）。都是跟着学习资料巩固的，只供学习使用。这一篇分为俩部分—— 边缘提取 与 形态学处理 第一部分—— 图像分割 (边缘提取) 阈值分割、边缘分割、基于区域的分割、Hough变换 阈值分割 二值化 from PIL import Image impor...
python scipy找不到lena
sundaygeek的专栏
07-21 3552
python scipy找不到lena scipy.misc.lena AttributeError: ‘module’ object has no attribute ‘lena’ 在数据可视化的那本书上看到的demo，不过运行不通过，然后出现上面的那个错误，lena函数看起来被移除了。 1 2 3 4 5 6 import scipy.misc lena...
Python SciPy库——插值与拟合
05-31
Python的SciPy库是一个非常强大的科学计算工具，其中包括插值和拟合。下面是一些相关的函数和用法： 1. 插值 - scipy.interpolate.interp1d：一维插值函数，可以对一维数据进行线性、二次、三次插值等。 - scipy....

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值