Python圖像處理是一種簡(jiǎn)單易學(xué)，功能強(qiáng)大的解釋型編程語(yǔ)言，它有簡(jiǎn)潔明了的語(yǔ)法，高效率的高層數(shù)據(jù)結(jié)構(gòu)，能夠簡(jiǎn)單而有效地實(shí)現(xiàn)面向?qū)ο缶幊?，下文進(jìn)行對(duì)Python圖像處理進(jìn)行說(shuō)明。
在石泉等地區(qū)，都構(gòu)建了全面的區(qū)域性戰(zhàn)略布局，加強(qiáng)發(fā)展的系統(tǒng)性、市場(chǎng)前瞻性、產(chǎn)品創(chuàng)新能力，以專注、極致的服務(wù)理念，為客戶提供成都網(wǎng)站設(shè)計(jì)、成都做網(wǎng)站 網(wǎng)站設(shè)計(jì)制作定制網(wǎng)站設(shè)計(jì),公司網(wǎng)站建設(shè),企業(yè)網(wǎng)站建設(shè),高端網(wǎng)站設(shè)計(jì),成都全網(wǎng)營(yíng)銷,成都外貿(mào)網(wǎng)站制作,石泉網(wǎng)站建設(shè)費(fèi)用合理。
當(dāng)然，首先要感謝“戀花蝶”，是他的文章“用Python圖像處理 ” 幫我堅(jiān)定了用Python和PIL解決問(wèn)題的想法，對(duì)于PIL的一些介紹和基本操作，可以看看這篇文章。我這里主要是介紹點(diǎn)我在使用過(guò)程中的經(jīng)驗(yàn)。
PIL可以對(duì)圖像的顏色進(jìn)行轉(zhuǎn)換，并支持諸如24位彩色、8位灰度圖和二值圖等模式，簡(jiǎn)單的轉(zhuǎn)換可以通過(guò)Image.convert(mode)函數(shù)完 成，其中mode表示輸出的顏色模式。例如''L''表示灰度，''1''表示二值圖模式等。
但是利用convert函數(shù)將灰度圖轉(zhuǎn)換為二值圖時(shí)，是采用固定的閾 值127來(lái)實(shí)現(xiàn)的，即灰度高于127的像素值為1，而灰度低于127的像素值為0。為了能夠通過(guò)自定義的閾值實(shí)現(xiàn)灰度圖到二值圖的轉(zhuǎn)換，就要用到 Image.point函數(shù)。
深度剖析Python語(yǔ)法功能
深度說(shuō)明Python應(yīng)用程序特點(diǎn)
對(duì)Python數(shù)據(jù)庫(kù)進(jìn)行學(xué)習(xí)研究
Python開(kāi)發(fā)人員對(duì)Python經(jīng)驗(yàn)之談
對(duì)Python動(dòng)態(tài)類型語(yǔ)言解析
Image.point函數(shù)有多種形式，這里只討論Image.point(table, mode)，利用該函數(shù)可以通過(guò)查表的方式實(shí)現(xiàn)像素顏色的模式轉(zhuǎn)換。其中table為顏色轉(zhuǎn)換過(guò)程中的映射表，每個(gè)顏色通道應(yīng)當(dāng)有256個(gè)元素，而 mode表示所輸出的顏色模式，同樣的，''L''表示灰度，''1''表示二值圖模式。
可見(jiàn)，轉(zhuǎn)換過(guò)程的關(guān)鍵在于設(shè)計(jì)映射表，如果只是需要一個(gè)簡(jiǎn)單的箝位值，可以將table中高于或低于箝位值的元素分別設(shè)為1與0。當(dāng)然，由于這里的table并沒(méi)有什么特殊要求，所以可以通過(guò)對(duì)元素的特殊設(shè)定實(shí)現(xiàn)（0, 255）范圍內(nèi)，任意需要的一對(duì)一映射關(guān)系。
示例代碼如下：
import Image # load a color image im = Image.open(''fun.jpg'') # convert to grey level image Lim = im.convert(''L'') Lim.save(''fun_Level.jpg'') # setup a converting table with constant threshold threshold = 80 table = [] for i in range(256): if i threshold: table.append(0) else: table.append(1) # convert to binary image by the table bim = Lim.point(table, ''1'') bim.save(''fun_binary.jpg'')
IT部分通常要完成的任務(wù)相當(dāng)繁重但支撐這些工作的資源卻很少，這已經(jīng)成為公開(kāi)的秘密。任何承諾提高編碼效率、降低軟件總成本的IT解決方案都應(yīng)該進(jìn)行 周到的考慮。Python圖像處理所具有的一個(gè)顯著優(yōu)勢(shì)就是可以在企業(yè)的軟件創(chuàng)建和維護(hù)階段節(jié)約大量資金，而這兩個(gè)階段的軟件成本占到了軟件整個(gè)生命周期中總成本 的50%到95%。
Python清晰可讀的語(yǔ)法使得軟件代碼具有異乎尋常的易讀性，甚至對(duì)那些不是最初接觸和開(kāi)發(fā)原始項(xiàng)目的程序員都 能具有這樣的強(qiáng)烈感覺(jué)。雖然某些程序員反對(duì)在Python代碼中大量使用空格。
不過(guò)，幾乎人人都承認(rèn)Python圖像處理的可讀性遠(yuǎn)勝于C或者Java，后兩 者都采用了專門(mén)的字符標(biāo)記代碼塊結(jié)構(gòu)、循環(huán)、函數(shù)以及其他編程結(jié)構(gòu)的開(kāi)始和結(jié)束。提倡Python的人還宣稱，采用這些字符可能會(huì)產(chǎn)生顯著的編程風(fēng)格差 異，使得那些負(fù)責(zé)維護(hù)代碼的人遭遇代碼可讀性方面的困難。轉(zhuǎn)載
圖像的灰度處理：
CV_LOAD_IMAGE_GRAYSCALE，這是最簡(jiǎn)單之間的辦法，在加載圖像時(shí)直接處理
IplImage* Igray=cvLoadImage("test.jpg",CV_LOAD_IMAGE_GRAYSCALE);
得到的圖像就是單通道的，也能夠用這個(gè)函數(shù)：CVAPI(void) cvCvtColor( const CvArr* src, CvArr* dst, int code );
code=CV_BGR2GRAY;
opencv還提供了非常多方式，我這邊就不一一舉例了。
import CV2
import copy
import numpy as np
import random
使用的是pycharm
因?yàn)樽罱戳恕躲y翼殺手2049》，里面Joi實(shí)在是太好看了所以原圖像就用Joi了
要求是灰度圖像，所以第一步先把圖像轉(zhuǎn)化成灰度圖像
# 讀入原始圖像
img = CV2.imread('joi.jpg')
# 灰度化處理
gray = CV2.cvtColor(img, CV2.COLOR_BGR2GRAY)
CV2.imwrite('img.png', gray)
第一個(gè)任務(wù)是利用分段函數(shù)增強(qiáng)灰度對(duì)比，我自己隨便寫(xiě)了個(gè)函數(shù)大致是這樣的
def chng(a):
if a 255/3:
b = a/2
elif a 255/3*2:
b = (a-255/3)*2 + 255/6
else:
b = (a-255/3*2)/2 + 255/6 +255/3*2
return b
rows = img.shape[0]
cols = img.shape[1]
cover = copy.deepcopy(gray)
for i in range(rows):
for j in range(cols):
cover[i][j] = chng(cover[i][j])
CV2.imwrite('cover.png', cover)
下一步是直方圖均衡化
# histogram equalization
def hist_equal(img, z_max=255):
H, W = img.shape
# S is the total of pixels
S = H * W * 1.
out = img.copy()
sum_h = 0.
for i in range(1, 255):
ind = np.where(img == i)
sum_h += len(img[ind])
z_prime = z_max / S * sum_h
out[ind] = z_prime
out = out.astype(np.uint8)
return out
covereq = hist_equal(cover)
CV2.imwrite('covereq.png', covereq)
在實(shí)現(xiàn)濾波之前先添加高斯噪聲和椒鹽噪聲（代碼來(lái)源于網(wǎng)絡(luò)）
不知道這個(gè)椒鹽噪聲的名字是誰(shuí)起的感覺(jué)隔壁小孩都饞哭了
用到了random.gauss()
percentage是噪聲占比
def GaussianNoise(src,means,sigma,percetage):
NoiseImg=src
NoiseNum=int(percetage*src.shape[0]*src.shape[1])
for i in range(NoiseNum):
randX=random.randint(0,src.shape[0]-1)
randY=random.randint(0,src.shape[1]-1)
NoiseImg[randX, randY]=NoiseImg[randX,randY]+random.gauss(means,sigma)
if NoiseImg[randX, randY] 0:
NoiseImg[randX, randY]=0
elif NoiseImg[randX, randY]255:
NoiseImg[randX, randY]=255
return NoiseImg
def PepperandSalt(src,percetage):
NoiseImg=src
NoiseNum=int(percetage*src.shape[0]*src.shape[1])
for i in range(NoiseNum):
randX=random.randint(0,src.shape[0]-1)
randY=random.randint(0,src.shape[1]-1)
if random.randint(0,1)=0.5:
NoiseImg[randX,randY]=0
else:
NoiseImg[randX,randY]=255
return NoiseImg
covereqg = GaussianNoise(covereq, 2, 4, 0.8)
CV2.imwrite('covereqg.png', covereqg)
covereqps = PepperandSalt(covereq, 0.05)
CV2.imwrite('covereqps.png', covereqps)
下面開(kāi)始均值濾波和中值濾波了
就以n x n為例，均值濾波就是用這n x n個(gè)像素點(diǎn)灰度值的平均值代替中心點(diǎn)，而中值就是中位數(shù)代替中心點(diǎn)，邊界點(diǎn)周圍補(bǔ)0；前兩個(gè)函數(shù)的作用是算出這個(gè)點(diǎn)的灰度值，后兩個(gè)是對(duì)整張圖片進(jìn)行
#均值濾波模板
def mean_filter(x, y, step, img):
sum_s = 0
for k in range(x-int(step/2), x+int(step/2)+1):
for m in range(y-int(step/2), y+int(step/2)+1):
if k-int(step/2) 0 or k+int(step/2)+1 img.shape[0]
or m-int(step/2) 0 or m+int(step/2)+1 img.shape[1]:
sum_s += 0
else:
sum_s += img[k][m] / (step*step)
return sum_s
#中值濾波模板
def median_filter(x, y, step, img):
sum_s=[]
for k in range(x-int(step/2), x+int(step/2)+1):
for m in range(y-int(step/2), y+int(step/2)+1):
if k-int(step/2) 0 or k+int(step/2)+1 img.shape[0]
or m-int(step/2) 0 or m+int(step/2)+1 img.shape[1]:
sum_s.append(0)
else:
sum_s.append(img[k][m])
sum_s.sort()
return sum_s[(int(step*step/2)+1)]
def median_filter_go(img, n):
img1 = copy.deepcopy(img)
for i in range(img.shape[0]):
for j in range(img.shape[1]):
img1[i][j] = median_filter(i, j, n, img)
return img1
def mean_filter_go(img, n):
img1 = copy.deepcopy(img)
for i in range(img.shape[0]):
for j in range(img.shape[1]):
img1[i][j] = mean_filter(i, j, n, img)
return img1
完整main代碼如下：
if __name__ == "__main__":
# 讀入原始圖像
img = CV2.imread('joi.jpg')
# 灰度化處理
gray = CV2.cvtColor(img, CV2.COLOR_BGR2GRAY)
CV2.imwrite('img.png', gray)
rows = img.shape[0]
cols = img.shape[1]
cover = copy.deepcopy(gray)
for i in range(rows):
for j in range(cols):
cover[i][j] = chng(cover[i][j])
CV2.imwrite('cover.png', cover)
covereq = hist_equal(cover)
CV2.imwrite('covereq.png', covereq)
covereqg = GaussianNoise(covereq, 2, 4, 0.8)
CV2.imwrite('covereqg.png', covereqg)
covereqps = PepperandSalt(covereq, 0.05)
CV2.imwrite('covereqps.png', covereqps)
meanimg3 = mean_filter_go(covereqps, 3)
CV2.imwrite('medimg3.png', meanimg3)
meanimg5 = mean_filter_go(covereqps, 5)
CV2.imwrite('meanimg5.png', meanimg5)
meanimg7 = mean_filter_go(covereqps, 7)
CV2.imwrite('meanimg7.png', meanimg7)
medimg3 = median_filter_go(covereqg, 3)
CV2.imwrite('medimg3.png', medimg3)
medimg5 = median_filter_go(covereqg, 5)
CV2.imwrite('medimg5.png', medimg5)
medimg7 = median_filter_go(covereqg, 7)
CV2.imwrite('medimg7.png', medimg7)
medimg4 = median_filter_go(covereqps, 7)
CV2.imwrite('medimg4.png', medimg4)
方法一：在使用OpenCV讀取圖片的同時(shí)將圖片轉(zhuǎn)換為灰度圖：
img = cv2.imread(imgfile, cv2.IMREAD_GRAYSCALE)
print("cv2.imread(imgfile, cv2.IMREAD_GRAYSCALE)結(jié)果如下：")
print('大小：{}'.format(img.shape))
print("類型：%s"%type(img))
print(img)
運(yùn)行結(jié)果如下圖所示：
方法二：使用OpenCV，先讀取圖片，然后在轉(zhuǎn)換為灰度圖：
img = cv2.imread(imgfile)
#print(img.shape)
#print(img)
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #Y = 0.299R + 0.587G + 0.114B
print("cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)結(jié)果如下：")
print('大小:{}'.format(gray_img.shape))
print("類型：%s" % type(gray_img))
print(gray_img)
運(yùn)行結(jié)果如下：
方法三：使用PIL庫(kù)中的Image模塊：
img = np.array(Image.open(imgfile).convert('L'), 'f') #讀取圖片，灰度化，轉(zhuǎn)換為數(shù)組，L = 0.299R + 0.587G + 0.114B。'f'為float類型
print("Image方法的結(jié)果如下：")
print('大?。簕}'.format(img.shape))
print("類型：%s" % type(img))
print(img)
重慶分公司
重慶分公司
