一个SciPy图像处理案例的全过程

本文利用SciPy进行图像处理，并记录图像处理的全过程，处理过程包含高斯模糊、腐蚀等操作。

代码

import matplotlib.pyplot as plt
import numpy as np
from scipy import ndimage

# 设置图像的大小为 128x128，即 128x128 的逻辑像素
l = 128
# 生成的随机点的数量为 36。
n_pts = 36
# 记录图像处理过程中的图像
images_in_process = []

def generate_synthetic_data():
    """Synthetic binary data"""
    # 创建一个随机数生成器 rs，并设置种子为 0，以确保生成的随机数是可重复的。
    rs = np.random.RandomState(0)
    # 生成一个从 0 到 l 的二维网格坐标。
    x, y = np.ogrid[0:l, 0:l]
    images_in_process.append(x.copy())
    images_in_process.append(y.copy())
    # x和y计算时会产生广播机制，因此mask_outer的大小是(l,l)
    # 创建一个圆形掩码，定义在图像中心的圆形区域内的点为 True，其他点为 False。
    mask_outer = (x - l / 2.0) ** 2 + (y - l / 2.0) ** 2 < (l / 2.0) ** 2
    images_in_process.append(mask_outer.copy())
    # 初始化一个大小为 (l, l) 的全零矩阵，用于存储随机点。
    mask = np.zeros((l, l))
    # 生成 n_pts 个随机点，坐标范围在 [0, l) 之间。
    points = l * rs.rand(2, n_pts)
    # 将上一步生产的随机点在 mask 中对应的位置设置为 1。
    mask[(points[0]).astype(int), (points[1]).astype(int)] = 1
    images_in_process.append(mask.copy())
    # 对 mask 应用高斯模糊，使得随机点的边缘变得平滑。
    mask = ndimage.gaussian_filter(mask, sigma=l / n_pts)
    images_in_process.append(mask.copy())
    # 生成一个新的掩码 res，其中只有在 mask 大于其平均值且在 mask_outer 圆形区域内的点为 True。
    res = np.logical_and(mask > mask.mean(), mask_outer)
    images_in_process.append(res.copy())
    # 对 res 应用腐蚀操作，使白色前景区域变小。
    res_erosion = ndimage.binary_erosion(res)
    images_in_process.append(res.copy())
    # 异或操作会检测出白色前景区域边缘
    return np.logical_xor(res, res_erosion)

data = generate_synthetic_data()
# 绘制图像
for i in range(len(images_in_process)):
    plt.figure(figsize=(10, 5))
    plt.imshow(images_in_process[i], cmap=plt.cm.gray, interpolation="nearest")
    plt.axis("off")
    plt.title("original image")
    plt.savefig(f"original_image_{i}.png")

plt.figure(figsize=(10, 5))
plt.imshow(data, cmap=plt.cm.gray, interpolation="nearest")
plt.axis("off")
plt.title("original image")
plt.savefig(f"original_image_{len(images_in_process)}.png")

结果