【Python】数字图像处理原理

图像处理：

通过将图片转化成数组（三维立体）进行操作，在将数组形式转化回RGB图像格式
  self.img=np.array(self.photo)
  Image.fromarray(self.img.astype(‘uint8’)).convert(‘RGB’)
通过将图片转化成数组（二维平面）进行操作，在将数组形式转化回灰度图像格式
  self.img=np.array(self.photo.convert(‘L’))
  self.img= Image.fromarray(self.img.astype(‘uint8’)).convert(‘L’)

一.图像增强

1.灰度化

（1）线性灰度增强
R=G=B=R*0.30+G*0.59+B*0.11

		for i in range(self.img.shape[0]):
            for j in range(self.img.shape[1]):
                c=0.3*self.img[i][j][0]+self.img[i][j][1]*0.59+self.img[i][j][2]*0.11#三维
                self.img[i][j][0]=int(c)
                self.img[i][j][1]=int(c)
                self.img[i][j][2]=int(c)

2.直方图

（1）直方图统计

		x=np.arange(0,256)
		#通过numpy里的ravel函数，及切片功能。将三维的数组格式图片的RGB分量分别提取成一维。
        plt.hist(img[:,:,0].ravel(),x,density=True)#density=True则返回概率密度
        plt.show()
        plt.hist(img[:,:,1].ravel(),x,density=True)
        plt.show()
        plt.hist(img[:,:,2].ravel(),x,density=True)
        plt.show()

（2）直方图均衡化（对比度）

3.噪声

（1）椒盐噪声

		for i in range(img.shape[0]):
            for j in range(img.shape[1]):
                c=0.3*img[i][j][0]+img[i][j][1]*0.59+img[i][j][2]*0.11
                img[i][j][0]=int(c)
                img[i][j][1]=int(c)
                img[i][j][2]=int(c)
        for i in range(img.shape[0]):
            for j in range(img.shape[1]):
                if float(np.random.random(1))<0.005:
                    if float(np.random.random(1))<0.5:
                        img[i][j][0]=0
                        img[i][j][1]=0
                        img[i][j][2]=0
                    else:
                        img[i][j][0]=255
                        img[i][j][1]=255
                        img[i][j][2]=255

4.平滑

（1）中值滤波法

		for i in range(1,img.shape[0]-1):
            for j in range(1,img.shape[1]-1):
                img[i][j][0]=np.median(img[i-1:i+2,j-1:j+2])
                img[i][j][1]=np.median(img[i-1:i+2,j-1:j+2])
                img[i][j][2]=np.median(img[i-1:i+2,j-1:j+2])

（2）加权平均法（高斯滤波）

#加权平均模板
 m=1/16*np.array([[1,2,1],[2,4,2],[1,2,1]])
 m=1/10*np.array([[1,1,1],[1,2,1],[1,1,1]])

（3）邻域平均法

#3*3模板
m=1/9*np.array([[1,1,1],[1,1,1],[1,1,1]])

5.锐化（边缘检测）

基于搜索：sobel,scharr

现在常用：canny

零穿越： （1）拉普拉斯算子法

		l=np.array([[0,-1,0],[-1,4,-1],[0,-1,0]])
		#l=np.array([[-1,-1,-1],[-1,8,-1],[-1,-1,-1]])
		# 在python中用原拉普拉斯算子可能得到效果不好  则从第0行开始遍历
        for i in range(self.img.shape[0]-2):#二维
            for j in range(self.img.shape[1]-2):
                s=np.sum(l*np.array(self.img[i:i+3,j:j+3]))
                if s>255:
                    s=255
                if s<0:
                    s=0
                self.img[i][j]=s

（2）罗伯特算子法（梯度法）

        t=int(input('输入门限值T：'))
        for i in range(self.img.shape[0]-1):#二维
            for j in range(self.img.shape[1]-1):
                g=abs(int(self.img[i][j])-int(self.img[i+1][j+1]))+abs(int(self.img[i+1][j])-int(self.img[i][j+1]))  
# overflow encountered in ubyte_scalars 报错则在每个像素前加int                             
                if g>=t:
                    if g+100>255:
                        self.img[i][j]=255
                    else:
                        self.img[i][j]=g+50
                #self.img[i][j]=g
# img[self.img.shape[0]-1][:]或img[:][self.img.shape[0]-1]输出的均为最后一行
# 写在一个括号里才为行或列的索引
        self.img[self.img.shape[