数字图像处理-实验1-图像处理基础

柚子小西230

已于 2024-04-15 19:19:50 修改

阅读量1.4k

点赞数 22

分类专栏：数字图像处理文章标签：图像处理人工智能

于 2024-04-13 19:46:28 首次发布

本文链接：https://blog.csdn.net/weixin_56822454/article/details/137723193

版权

数字图像处理专栏收录该内容

2 篇文章 0 订阅

订阅专栏

前提说明：

需要提前下载python并配置好环境，安装jupyter-lab环境，安装相关的绘图工具包。

jupyter-lab安装命令：

pip install numpymatplotlib-ihttp://pypi.douban.com/simple--trusted-host pypi.douban.com
pip install pandas scipy scikit-learn scikit-image-ihttp://pypi.douban.com/simple--trusted-host pypi.douban.com pipinstallopencv-python-ihttp://pypi.douban.com/simple --trusted-host pypi.douban.com
pipinstalljupyter-ihttp://pypi.douban.com/simple--trusted-host pypi.douban.com
pipinstalljupyterlab-ihttp://pypi.douban.com/simple --trusted-host pypi.douban.com

在程序目录上输入cmd进入命令行输入jupyter-lab命令启动Jupyter-Lab

基本使用方法在本平台或者bilibili都有相关教程

后续会添加有关实验部分的代码块（ps:代码敲一遍上手更快）

一、实验目的

（1）熟悉Python的编程运行环境及Python的基本语法；

（2）掌握应用OpenCV的基本图形图像处理函数；

（3）掌握应用Matplotlib的基本图形图像处理函数；

（4）掌握绘制简单图像的方法。

二、实验环境

（1）实验硬件环境

笔记本电脑Windows10操作系统

软件及工具包

开发环境是Python3，需要配置的数学运算库包括NumPy、Matplotlib、OpenCV，编辑器是jupyter notebook。

NumPy是 Python 语言的一个扩展程序库。其中提供了许多向量和矩阵操作，能轻松完成最优化、线性代数、积分、插值、特殊函数、傅里叶变换、信号处理和图像处理、常微分方程求解以及其他科学与工程中常用的计算，不仅方便易用而且效率更高。NumPy 是一个开源的Python科学计算基础库，是SciPy、Pandas等数据处理或科学计算库的基础。

Matplotlib是一个Python 的2D绘图库，Matplotlib也是Python中最常用的可视化工具之一，它的功能非常强大，可以通过调用函数轻松方便地绘制数据分析中常见的各种图像，比如折线图、条形图、柱状图、散点图、饼图等。

OpenCV 是一个的跨平台计算机视觉库，可以运行在 Linux、 Windows 和 Mac Os 操作系统上。它轻量级而且高效，由一系列 C 函数和少量 C++ 构成，同时也提供了 python 接口，实现了图像处理和计算机视觉方面的很多通用算法。

三、实验内容

（1）使用OpenCV的函数读取、显示并保存图像；

（2）使用Matplotlib的函数读取、显示并保存图像；

（3）完善代码，按要求绘制图形，并统计绘制其直方图。

四、实验程序及运行结果

实验代码：

import numpy as np
import cv2 as cv
lenna = cv.imread(r"Lenna.png")#读取图像
type(lenna)
lenna.shape#查看图片大小
cv.namedWindow("Lena",cv.WINDOW_NORMAL)
cv.imshow("Lena",lenna)#显示图像
cv.waitKey(100000)
cv.destroyWindow("Lena")#图像显示窗口关闭
cv.imwrite("test_imwirte.png",lenna,(cv.IMWRITE_PNG_COMPRESSION,9))#将压缩后的图像写入文件夹

运行结果：

实验代码：

import cv2 as cv
import matplotlib.pyplot as plt
img_BGR = cv.imread("iris.jpg")#读取图片
img_RGB = cv.cvtColor(img_BGR,cv.COLOR_BGR2RGB)
plt.imshow(img_RGB)#显示图片
plt.show()
plt.savefig(fname="pic.png",figsize=[10,10])
plt.imshow(img_BGR)
plt.show()

运行结果：

实验代码：

import numpy as np
import matplotlib.pyplot as plt
import cv2 as cv
def creatBox():
    box = np.zeros((100,180),np.uint8)+250
    print(type(box))
    shape = box.shape
    for i in range(shape[0]):
        for j in range(shape[1]):
            if (i-50)**2+(j-50)**2<=50**2:#表示圆形区域
                box[i,j]=0#灰度值为0 显示黑色
            else:
                box[i,j]=250#剩余区域显示白色
            if j in range (80,180) and i in range(0,100):#表示正方形区域
                box[i,j]=150#灰度值为150 显示为灰色
    return box
image0=creatBox()
plt.imshow(image0,vmin=0,vmax=255,cmap=plt.cm.gray)

#统计各灰度值的像素个数
def histogram(image):
    (row, col) = image.shape
    hist = [0]*256
    for i in range(row):
        for j in range(col):
            hist[image[i,j]] +=1#遍历图片中每一点的像素值并统计
    return hist
image_hist0 = histogram(image0)
plt.bar(range(256),image_hist0)

运行结果：

五、实验分析（对实验中出现的现象及遇到的问题进行分析、讨论，并对实验提出自己的建议和改进措施。）

验证一中的问题及改进措施：

图片显示窗口与预计设想不同，没有如期出现，经过逐句分析代码发现，图片显示时间较小，将数值100改为100000。名为“Lena”的窗口显示在桌面底层，且窗口大小不可调，经查阅资料发现，将cv.WINDOW_AUTOSIZE语句更换为cv.WINDOW_NORMAL，即能调节窗口大小，便于显示。

验证二中的实验没有出现问题，如果不进行通道数处理，原本发红的lena会变得发蓝。这是因为cv2读取图片时，默认的顺序是BGR顺序，而matplotlib用的是RGB方式。也就是说，发红的lenna图片读入img后，第三个通道内的数据（也就是红色通道）的数值在plt.imshow的时候，被按照B的方式（也就是蓝色）的方式读了出来，因此图像会偏蓝。BGR和RBG中的三个通道数互换，会改变图片中的三通道颜色显示，个人认为使用Matplotlib库中的plt.show函数显示图像比较简单，不用提前写一个图片显示show函数，不足之处还是要提前进行通道数转换。

任务三中的补全函数，先逐句分析代码含义和目标图像，可以发现该段代码是实现使用三种不同的灰度值填充空矩阵，显示圆形和正方形，只要限定像素点的位置，令其等于不同的灰度值即可。绘制直方图即补全像素值统计函数，预计显示出三个柱形图像，其像素点值为0，150，250。

六、思考题

（1）Python语言与C语言在语法上的主要区别是什么？

Python是一种基于解释器的，面向对象的解释型语言。解释器会逐行读取代码；首先将Python编译为字节码，然后由大型C程序解释。C是一种面向过程的编译型语言，完整的源代码将直接编译为机器代码，由CPU直接执行。
Python不需要事先定义变量类型；C语言中需要事先定义变量类型，在运算过程中需要考虑，溢出，精度等问题。
Python中通过缩进来表示语句体，在Python中每一条语句结尾后没有分号；C语言通过几来表示语句体，在C语言中每一条语句结尾后都需要由英文分号结尾，分号是C语言中唯的语句结束标志。