数字图像与机器视觉基础补充(1)

一.位图原理

以下面这张格式为bmp的照片为例：

查看图片属性：

信息显示图片大小为768k，位图大小计算：768*1024=786,486字节，这是不包含文件头信息的大小。
用UltraEdit打开lena.bmp，可以看到这个文件的全部数据如下图所示:

位图文件头：

位图信息头：

二.图像处理

原图（png格式）：

属性：

16/32位位图对照：
实验选择的是工具是Adobe Photoshop 2021，简称PS
保存为32位位图:
查看属性：

图片大小：1MB10241024=1048632B
UltraEdit查看图片头文件信息如下

16位位图：
属性：

大小：515*1024=524344B
不包含文件文件头信息大小
UltraEdit查看图片头文件信息如下;

16/32位位图的区别：
32位位图：

16位位图：

肉眼看没什么区别，但是16位位图占的空间更小

256/16/单色位图对照
256色位图




大小：2571024=263222B
UltraEdit查看图片头文件信息如下：

16色位图：

大小：1281024=131190B
UltraEdit查看图片头文件信息如下：

单色位图：


大小：32*1024=32830B
UltraEdit查看图片头文件信息如下：

区别
256色：

16色：

单色：

颜色越小，占用空间越小

不同图片格式的压缩比

四张图片的格式不一样(png,jpg,bmp,gif)：
大小分别为：700k,92k,772k,128k

三、图片处理编程

（一）奇异函数分解（SDV）
代码：

import numpy as np
import os
from PIL import Image
import matplotlib.pyplot as plt
import matplotlib as mpl
from pprint import pprint


def restore1(sigma, u, v, K):  # 奇异值、左特征向量、右特征向量
    m = len(u)
    n = len(v[0])
    a = np.zeros((m, n))
    for k in range(K):
        uk = u[:, k].reshape(m, 1)
        vk = v[k].reshape(1, n)
        a += sigma[k] * np.dot(uk, vk)
    a[a < 0] = 0
    a[a > 255] = 255
    # a = a.clip(0, 255)
    return np.rint(a).astype('uint8')


def restore2(sigma, u, v, K):  # 奇异值、左特征向量、右特征向量
    m = len(u)
    n = len(v[0])
    a = np.zeros((m, n))
    for k in range(K+1):
        for i in range(m):
            a[i] += sigma[k] * u[i][k] * v[k]
    a[a < 0] = 0
    a[a > 255] = 255
    return np.rint(a).astype('uint8')


if __name__ == "__main__":
    A = Image.open("C:/Users/86152/Pictures/Feedback/lena.jpg", 'r')
    print(A)
    output_path = r'D:/photo1/SVD_Output'
    if not os.path.exists(output_path):
        os.mkdir(output_path)
    a = np.array(A)
    print(a.shape)
    K = 50
    u_r, sigma_r, v_r = np.linalg.svd(a[:, :, 0])
    u_g, sigma_g, v_g = np.linalg.svd(a[:, :, 1])
    u_b, sigma_b, v_b = np.linalg.svd(a[:, :, 2])
    plt.figure(figsize=(11, 9), facecolor='w')
    mpl.rcParams['font.sans-serif'] = ['simHei']
    mpl.rcParams['axes.unicode_minus'] = False
    for k in range(1, K+1):
        print(k)
        R = restore1(sigma_r, u_r, v_r, k)
        G = restore1(sigma_g, u_g, v_g, k)
        B = restore1(sigma_b, u_b, v_b, k)
        I = np.stack((R, G, B), axis=2)
        Image.fromarray(I).save('%s\\svd_%d.png' % (output_path, k))
        if k <= 12