基于python3计算机视觉编程(一)图像处理基础

一.利用PIL-Python库处理图片

1.1图片灰度化

代码：

## 1. 图像灰度处理
# pil_im = Image.open("data/1.jpg")
# pil_im.show()
# L = pil_im.convert('L')
# L.show()
font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14)
figure(figsize=(8, 5))

pil_im = Image.open('data/1.jpg')
gray()
subplot(121)
title('原图', fontproperties=font)
axis('off')
imshow(pil_im)

pil_im = Image.open('data/1.jpg').convert('L')
subplot(122)
title('灰度图', fontproperties=font)
axis('off')
imshow(pil_im)
show()

结果如下：

1.2创建缩略图、拷贝并粘贴区域及调整尺寸及旋转

原理： 图像的缩略图thumnail()方法即可生成缩略图，图像的拷贝并粘贴可以调用crop()方法。图像的尺寸调整及其旋转可以用resize()函数调整图像的大小，元组中放的是调整尺寸的大小。
代码：

from PIL import Image
from pylab import *
from matplotlib.font_manager import FontProperties
## 2.创建缩略图、拷贝并粘贴区域及调整尺寸及旋转
font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14)
figure()

# 显示原图
pil_im = Image.open('data/1.jpg')
print(pil_im.mode, pil_im.size, pil_im.format)
subplot(231)
title(u'原图', fontproperties=font)
axis('off')
imshow(pil_im)

# 显示灰度图
pil_im = Image.open('data/1.jpg').convert('L')
gray()
subplot(232)
title(u'灰度图', fontproperties=font)
axis('off')
imshow(pil_im)

#拷贝粘贴区域
pil_im = Image.open('data/1.jpg')
box = (100,100,400,400)
region = pil_im.crop(box)
region = region.transpose(Image.ROTATE_180)
pil_im.paste(region,box)
subplot(233)
title(u'拷贝粘贴区域', fontproperties=font)
axis('off')
imshow(pil_im)

# 缩略图
pil_im = Image.open('data/1.jpg')
size = 128, 128
pil_im.thumbnail(size)
print(pil_im.size)
subplot(234)
title(u'缩略图', fontproperties=font)
axis('off')
imshow(pil_im)
pil_im.save('data2/1.jpg') #保存缩略图

# 调整图像尺寸
pil_im = Image.open('data/1.jpg')
pil_im = pil_im.resize(size)
print(pil_im.size)
subplot(235)
title(u'调整尺寸后的图像', fontproperties=font)
axis('off')
imshow(pil_im)

# 旋转图像45°
pil_im = Image.open('data/1.jpg')
pil_im = pil_im.rotate(45)
subplot(236)
title(u'旋转45°后的图像', fontproperties=font)
axis('off')
imshow(pil_im)

show()

结果如下：

原始图像利用save()函数转存到另外目录：

二.利用Matplotlib库处理图像

2.1 matplotlib库介绍

当在处理数学及绘图或在图像上描点、画直线、曲线时，Matplotlib是一个很好的绘图库，它比PIL库提供了更有力的特性。

2.2画点描点和线

代码：

from PIL import Image
from pylab import *

# 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)

im = array(Image.open('data/1.jpg'))
figure()

# 画有坐标轴的
subplot(121)
imshow(im)
x = [100, 100, 400, 400]
y = [200, 500, 200, 500]
plot(x, y, 'r*')
plot(x[:2], y[:2])
title(u'绘图: "1.jpg"', fontproperties=font)

# 不显示坐标轴
subplot(122)
imshow(im)
x = [100, 100, 400, 400]
y = [200, 500, 200, 500]
plot(x, y, 'r*')
plot(x[:2], y[:2])
axis('off')  #显示坐标轴
title(u'绘图: "1.jpg"', fontproperties=font)

show()

结果如下：

2.3图像轮廓和直方图

直方图原理： 直方图广泛运用于很多计算机视觉运用当中，通过标记帧与帧之间显著的边缘和颜色的统计变化，来检测视频中场景的变化。简单来说，直方图就是对数据进行统计的一种方法，并且将统计值组织到一系列实现定义好的 bin 当中。其中， bin 为直方图中经常用到的一个概念，可以译为 “直条” 或 “组距”，其数值是从数据中计算出的特征统计量，这些数据可以是诸如梯度、方向、色彩或任何其他特征。且无论如何，直方图获得的是数据分布的统计图。通常直方图的维数要低于原始数据。
图像轮廓： 注意在画图像轮廓前需要将图像灰度化，因为要获取图像的每个坐标值。
代码：

from PIL import Image
from pylab import *

# 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)

im = array(Image.open('data/1.jpg'))
figure()

# 画有坐标轴的
subplot(121)
imshow(im)
x = [100, 100, 400, 400]
y = [200, 500, 200, 500]
plot(x, y, 'r*')
plot(x[:2], y[:2])
title(u'绘图: "1.jpg"', fontproperties=font)

# 不显示坐标轴
subplot(122)
imshow(im)
x = [100, 100, 400, 400]
y = [200, 500, 200, 500]
plot(x, y, 'r*')
plot(x[:2], y[:2])
axis('off')  #显示坐标轴
title(u'绘图: "1.jpg"', fontproperties=font)

show()

结果如下：

结论： 直方图提供了原图中各种灰度值分布的情况，也可以说直方图给出了一幅图像所有灰度值的整体描述。

2.4直方图均衡化

直方图均衡化介绍： 直方图均衡化是一种简单有效的图像增强技术，通过改变图像的直方图来改变图像中各像素的灰度，主要用于增强动态范围偏小的图像的对比度。
原理： 对在图像中像素个数多的灰度值（即对画面起主要作用的灰度值）进行展宽，而对像素个数少的灰度值（即对画面不起主要作用的灰度值）进行归并，从而增大对比度，使图像清晰，达到增强的目的。
代码：

from PIL import Image
from pylab import *
from PCV.tools import imtools

# 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)

im = array(Image.open('data/3.jpg').convert('L'))  # 打开图像，并转成灰度图像

im2, cdf = imtools.histeq(im)

figure()
subplot(2, 2, 1)
axis('off')
gray()
title(u'原始图像', fontproperties=font)
imshow(im)

subplot(2, 2, 2)
axis('off')
title(u'直方图均衡化后的图像', fontproperties=font)
imshow(im2)

subplot(2, 2, 3)
axis('off')
title(u'原始直方图', fontproperties=font)
hist(im.flatten(), 128, normed=True)

subplot(2, 2, 4)
axis('off')
title(u'均衡化后的直方图', fontproperties=font)

hist(im2.flatten(), 128, normed=True)

show()

结果如下：

结论： 如果一幅图像整体偏暗或者偏亮，那么直方图均衡化的方法很适用。但直方图均衡化是一种全局处理方式，它对处理的数据不加选择，可能会增加背景干扰信息的对比度并且降低有用信号的对比度（如果图像某些区域对比度很好，而另一些区域对比度不好，那采用直方图均衡化就不一定适用）。此外，均衡化后图像的灰度级减少，某些细节将会消失；某些图像（如直方图有高峰），经过均衡化后对比度不自然的过分增强。

2.5图像降噪

图像降噪介绍： 图像视频去噪的最终目的是改善给定的图像，解决实际图像由于噪声干扰而导致图像质量下降的问题。通过去噪技术可以有效地提高图像质量，增大信噪比，更好的体现原来图像所携带的信息

原理： 图像降噪的目的是提高图像的信噪比，使得图像的应用特征突出。对于一幅图像，图像信号和噪声信号的能量在频域上分布是不同的，其中噪声能量主要分布子高频区域，而图像能量主要分布在低频区域，基于这一点我们可以分离噪声，一般情况下，采用平滑滤波器对图像进行降噪处理。滤波的本意是指信号有各种频率之分，过滤掉不需要的成分，即噪声，保留下需要的部分，这就是滤波的目的。

本文主要采用Rudin-Osher-Fatemi de-noising(ROF)模型进行图像降噪

代码：

from PIL import Image
from pylab import *
from numpy import *
from numpy import random
from scipy.ndimage import filters

from PCV.tools import rof

""" This is the de-noising example using ROF in Section 1.5. """

# 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)

im = array(Image.open('data/2.jpg').convert('L'))

U,T = rof.denoise(im,im)
G = filters.gaussian_filter(im,10)



# plot
figure()
gray()

subplot(1,3,1)
imshow(im)
#axis('equal')
axis('off')
title(u'原噪声图像', fontproperties=font)

subplot(1,3,2)
imshow(G)
#axis('equal')
axis('off')
title(u'高斯模糊后的图像', fontproperties=font)

subplot(1,3,3)
imshow(U)
#axis('equal')
axis('off')
title(u'ROF降噪后的图像', fontproperties=font)

show()

结果如下：

结论： 在去除噪声的同时，ROF降噪能够保持边缘和图像结构。