如何查看python源代码_查看“使用python做图像处理”的源代码

因存在冲突的中间编辑，本编辑不能撤销。

因为以下原因，您没有权限编辑本页：

您所请求的操作仅限于该用户组的用户使用：用户

您可以查看和复制此页面的源代码。==安装python程序包mahotas==

如果是windows下使用pythonxy,可以在[https://code.google.com/p/pythonxy/wiki/Downloads?tm=2 这里]下载mahotas作为插件。如果是linux或者ios，可以直接easy install。

==对生物细胞图像的分析==

原文连接见[http://pythonvision.org/basic-tutorial 这里]

===热身===

先调用一些常用包

import numpy as np

import scipy

import matplotlib.pyplot as plt

import mahotas

from scipy import ndimage

读入一张图。如下所示（实验代码时可以从本网页下载并保存这张图）。

[[File:dna_raw.jpeg|300px]]

dna = mahotas.imread('E:/wulingfei/image_processing/dna_raw.jpeg')

#dna.shape

plt.gray()

plt.imshow(dna)

#dna.max()

#dna.min()

dna_raw.jpeg被读进来后，变成一个1024行，1344列的numpy array。所以用plt.imshow()可以直接画出来。plt.imshow有两种上色机制，plt.gray()和plt.jet（），后者是默认机制。因为我们这里设定plt.gray()所以画出来是黑白的。如果没有设定的话，画出来就是彩色的(通过plt.axis('off')移除坐标轴)：

plt.jet()

plt.imshow(dna)

plt.axis('off')

plt.savefig('E:/wulingfei/image_processing/dna_1.jpeg', bbox_inches=None)

[[File:dna_1.jpeg|400px]]

===计算细胞的数量===

为了计算细胞的数量，我们要先对图像进行一些处理。首先，我们要设定一个阈值后，把图像变成黑白的。

plt.gray()

T = mahotas.thresholding.otsu(dna)

plt.imshow(dna > T)

plt.savefig('E:/wulingfei/image_processing/dna_2.jpeg', bbox_inches=None)

[[File:dna_2.jpeg|400px]]

转换成黑白图像后，我们就可以通过计算连接在一起的components的个数来得到细胞的数量。不过现在的图像太粗糙，会大大影响我们对联系在一起的component的计算，所以我们先加上高斯过滤让它的边缘变得光滑

dnaf = ndimage.gaussian_filter(dna, 8)

T = mahotas.thresholding.otsu(dnaf)

plt.imshow(dnaf > T)

plt.savefig('E:/wulingfei/image_processing/dna_3.jpeg', bbox_inches=None)

[[File:dna_3.jpeg|400px]]

现在，我们可以在矩阵中划分团块并且给出不同团块的数量了。一共有18个团块，我们给它打上标签并且以不同的颜色表示。

labeled,nr_objects = ndimage.label(dnaf > T)

nr_objects

plt.imshow(labeled)

plt.jet()

plt.savefig('E:/wulingfei/image_processing/dna_4.jpeg', bbox_inches=None)

[[File:dna_4.jpeg|400px]]

任务完成！

===更精确地计算细胞的数量===

但是且慢，有一些细胞在照片上重叠了，被我们算作一个细胞了。显然是这不科学的，因此我们需要更精确的计算方法。接下来我们要讨论的方法寻找团块的中心点并计算中心点的个数。这里我们假设在灰度图上，团块比较中心的地方比较亮，最亮的地方就是最中心的地方。这个东西叫regional maxima，相当于一片山脉中的最高峰。我们找到这个点之后，进行标亮，并且与原来的灰度图重叠在一起。

dnaf = ndimage.gaussian_filter(dna, 16)

rmax = mahotas.regmax(dnaf)

plt.gray()

plt.imshow(dna)

plt.imshow(rmax,alpha=0.6)

seeds,nr_nuclei = ndimage.label(rmax)

plt.savefig('E:/wulingfei/image_processing/dna_5.jpeg', bbox_inches=None)

[[File:dna_5.jpeg|400px]]

正如nr_nuclei所告诉我们的那样，一共有22个细胞。

===划分细胞的活动区域===

T = mahotas.thresholding.otsu(dnaf)

dist = ndimage.distance_transform_edt(dnaf > T)

plt.jet()

plt.imshow(dist)

对于矩阵中不为0的任意一个点i，ndimage.distance_transform_edt会计算与之最接近的背景点j（矩阵中等于0的点）与i的欧式距离。这意味着，越大的团块的中心点数值越大，表达成热图的话，颜色越浓：

[[File:dna_9.jpeg|400px]]

当然，我们也可以把颜色反转（使用矩阵最大值减去矩阵内所有元素，使得矩阵元素的数值原来大的变小，小的变大），得到这个图：

dist = dist.max() - dist

dist -= dist.min()

dist = dist/float(dist.ptp()) * 255

dist = dist.astype(np.uint8)

plt.jet()

plt.imshow(dist)

[[File:dna_8.jpeg|400px]]

现在，根据矩阵的元素的大小，以之前得到的一堆最高峰（seeds）为核心位置，观察每个核心与邻居核心之间的边界（元素数值的局域极大值），把这个边界标记出来。就得到了核心的区域划分图。

nuclei = mahotas.cwatershed(dist, seeds)

plt.jet()

plt.imshow(nuclei)

plt.savefig('E:/wulingfei/image_processing/dna_6.jpeg', bbox_inches=None)

[[File:dna_6.jpeg|400px]]

我们当然也可以把区域划分图与之前的原始图像重叠在一起：

plt.imshow(dna,alpha=0.6)

plt.savefig('E:/wulingfei/image_processing/dna_7.jpeg', bbox_inches=None)

[[File:dna_7.jpeg|400px]]

==对人物图像的处理==

===原始数据及预处理===

[[File:Lenna_raw.jpg|300px]]

先调用一些常用包

import mahotas as mh

from matplotlib import pyplot as plt

读入图后转变为灰度图

#---to gray scale--------

figure(num=None, figsize=(8, 4), dpi=80, facecolor='w', edgecolor='k')

plt.subplot(1,2,1)

image = mh.imread('E:/wulingfei/image_processing/Lenna_raw.jpg')

plt.imshow(image,origin='lower')

plt.subplot(1,2,2)

imgray = mh.colors.rgb2gray(image, dtype=np.uint8)

plt.gray()

plt.imshow(imgray,origin='lower')

plt.tight_layout(pad=0.4, w_pad=0, h_pad=1.0)

plt.savefig('E:/wulingfei/image_processing/lenna_1.jpeg', bbox_inches=None)

[[File:lenna_1.jpeg|500px]]

===使用阈值处理的方法区分图片不同区域===

选定阈值，使用阈值做判定，将像素矩阵转变为01矩阵。

figure(num=None, figsize=(8, 8), dpi=80, facecolor='w', edgecolor='k')

plt.subplot(2,2,1)

T = mh.thresholding.otsu(imgray)

bimage = (imgray > T)

plt.gray()

plt.imshow(bimage,origin='lower')

plt.title("Otsu threshold")

plt.subplot(2,2,2)

T2 = mh.thresholding.rc(imgray)

bimage = (imgray > T)

plt.gray()

plt.imshow(bimage,origin='lower')

plt.title(" Ridley-Calvard threshold")

plt.subplot(2,2,3)

otsubin = (imgray <= T)

otsubin = mh.close(otsubin, np.ones((5,5)))

plt.imshow(otsubin,origin='lower' )

plt.title("clear noise: close")

plt.subplot(2,2,4)

otsubin = (imgray > T)

otsubin = mh.open(otsubin, np.ones((5,5)))

plt.title("clear noise: open")

plt.imshow(otsubin,origin='lower' )

plt.tight_layout(pad=0.4, w_pad=0, h_pad=1.0)

plt.savefig('E:/wulingfei/image_processing/lenna_2.jpeg', bbox_inches=None)

[[File:lenna_2.jpeg|500px]]

===高斯过滤极其阈值效果===

使用高斯矩阵与像素矩阵做卷积。

figure(num=None, figsize=(8, 8), dpi=80, facecolor='w', edgecolor='k')

plt.subplot(2,2,1)

im8 = mh.gaussian_filter(imgray,8)

plt.imshow(im8,origin='lower' )

plt.title("Gaussian filtering: S.D.=8")

plt.subplot(2,2,2)

im16 = mh.gaussian_filter(imgray,16)

plt.imshow(im16,origin='lower' )

plt.title("Gaussian filtering: S.D.=16")

plt.subplot(2,2,3)

im32 = mh.gaussian_filter(imgray,32)

plt.imshow(im32,origin='lower' )

plt.title("Gaussian filtering: S.D.=32")

plt.subplot(2,2,4)

T = mh.thresholding.otsu(im32)

bimage = (imgray > T)

plt.gray()

plt.imshow(bimage,origin='lower')

plt.title("Otsu threshold on S.D.=32")

plt.tight_layout(pad=0.4, w_pad=0, h_pad=1.0)

plt.savefig('E:/wulingfei/image_processing/lenna_3.jpeg', bbox_inches=None)

[[File:lenna_3.jpeg|500px]]

===怀旧风格===

制造白色和黑色的随机噪声，覆盖在灰度图上。

#------Adding salt and pepper noise-------

figure(num=None, figsize=(8, 8), dpi=80, facecolor='w', edgecolor='k')

plt.subplot(2,2,1)

plt.imshow(imgray,origin='lower')

plt.title("raw")

plt.subplot(2,2,2)

salt = np.random.random(imgray.shape) > .975

pepper = np.random.random(imgray.shape) > .975

plt.imshow(salt)

plt.title("salt/pepper distribution")

plt.subplot(2,2,3)

imsalt=np.maximum(salt*200, imgray)

plt.imshow(imsalt,origin='lower')

plt.title("adding salt")

plt.subplot(2,2,4)

impeper=np.minimum(pepper*30 + imsalt*(~pepper), imsalt)

plt.imshow(impeper,origin='lower')

plt.title("adding pepper")

plt.tight_layout(pad=0.4, w_pad=0, h_pad=1.0)

plt.savefig('E:/wulingfei/image_processing/lenna_4.jpeg', bbox_inches=None)

[[File:lenna_4.jpeg|500px]]

===bokeh(背景虚化)技巧===

先像素矩阵分割成红蓝绿三个通道，各自进行高斯过滤，再组合在一起。构建清晰度权重，矩阵中间最高，边缘最低，使用该权重对组合得到的图像进行加权。

#------Putting the center in focus-------

figure(num=None, figsize=(12, 8), dpi=80, facecolor='w', edgecolor='k')

# This breaks up the image into RGB channels

r, g, b = image.transpose(2, 0, 1)

h, w = r.shape

# smooth the image per channel:

r12 = mh.gaussian_filter(r, 12.)

g12 = mh.gaussian_filter(g, 12.)

b12 = mh.gaussian_filter(b, 12.)

# build back the RGB image

im12 = mh.as_rgb(r12, g12, b12)

plt.subplot(2,3,1)

plt.imshow(im12,origin='lower')

X, Y = np.mgrid[:h, :w]

X = X - h / 2.

Y = Y - w / 2.

X /= X.max()

Y /= Y.max()

plt.gray()

plt.subplot(2,3,2)

plt.imshow(X)

plt.subplot(2,3,3)

plt.imshow(Y)

# Array C will have the highest values in the center, fading out to the edges:

C = np.exp(-2. * (X ** 2 + Y ** 2))

plt.subplot(2,3,4)

plt.imshow(C)

C -= C.min()

C /= C.ptp()

C = C[:, :, None]

plt.subplot(2,3,5)

newdata=image * C + (1 - C) * im12

plt.imshow(newdata,origin='lower')

# The final result is sharp in the centre and smooths out to the borders:

plt.subplot(2,3,6)

ring = mh.stretch(newdata)

plt.imshow(ring,origin='lower')

plt.tight_layout(pad=0.4, w_pad=0, h_pad=1.0)

plt.savefig('E:/wulingfei/image_processing/lenna_5.jpeg', bbox_inches=None)

[[File:lenna_5.jpeg|600px]]

===波普艺术===

在矩阵上加一些随机噪声

figure(num=None, figsize=(12, 4), dpi=80, facecolor='w', edgecolor='k')

plt.subplot(1,3,1)

plt.axis('off')

plt.imshow(image+0.23,origin='lower')

plt.subplot(1,3,2)

plt.axis('off')

plt.imshow(image+0.53,origin='lower')

plt.subplot(1,3,3)

plt.axis('off')

plt.imshow(image+0.73,origin='lower')

plt.tight_layout(pad=0.4, w_pad=0, h_pad=1.0)

plt.savefig('E:/wulingfei/image_processing/lenna_6.jpeg', bbox_inches=None)

[[File:lenna_6.jpeg|600px]]

[[category:python]]

[[category:旧词条迁移]]

如何查看python源代码_查看“使用python做图像处理”的源代码相关推荐

python如何查看源码_查看“Python-2020-fall”的源代码
因为以下原因,您没有权限编辑本页: 您所请求的操作仅限于该用户组的用户使用:用户您可以查看与复制此页面的源代码.== Python程序设计课程主页(2020年秋季学期) == Teacher: [h ...
角谷猜想python代码_查看“Python-2020-fall”的源代码
因为以下原因,您没有权限编辑本页: 您所请求的操作仅限于该用户组的用户使用:用户您可以查看与复制此页面的源代码.== Python程序设计课程主页(2020年秋季学期) == Teacher: [h ...
python 切片_全面解读Python高级特性切片
大家好,欢迎来到Crossin的编程教室! 众所周知,我们可以通过索引值(或称下标)来查找序列类型(如字符串.列表.元组-)中的单个元素,那么,如果要获取一个索引区间的元素该怎么办呢? 切片(slic ...
学习python课程_想学习Python吗？这是我们的免费4小时互动课程
学习python课程 Python is a popular, versatile and easy-to-learn language. It's the go-to language for AI ...
2018年python薪资_最好的Python：2017和2018年至今我最喜欢的文章集
2018年python薪资我打算发布此收藏集 (My intention with publishing this collection) Last year I only used Medium ...
python股市_如何使用python和破折号创建仪表板来主导股市
python股市始终关注大局 (Keep Your Eyes on the Big Picture) I've been fascinated with the stock market since ...
python指南针_如何用用Python 函数库 APIs 编写？指南针在这里
原标题:如何用用Python 函数库 APIs 编写?指南针在这里本篇文章基于 2017 PyCon 大会上的演讲:How to make a good library API.列出对于构建 Pyt ...
浅谈python语言_浅谈Python语言基础知识点！
一.Python 语言的简述 Python语言是一种解释型.面向对象的编程语言,是一种开源语言. Python属于动态类定义语言,也是一种强调类型语言. 二.Python 语言的特点 1.简单.高级 ...
python空集_玩转Python集合，这一篇就够了！
原标题:玩转Python集合,这一篇就够了! 点上方蓝色" 菜鸟学Python",选" 星标"公众号重磅干货,第一时间送到选自DataCamp, 作者:Mi ...
python程序_正确配置Python应用程序
让我们来讨论一下如何配置Python应用程序,特别是那些可能存在于多个环境中的应用程序--开发环境.模拟环境.生产环境等等-- 应用程序中使用的工具和框架并不是特别重要,因为我将在下面概述的方法是基于 ...

如何查看python源代码_查看“使用python做图像处理”的源代码

如何查看python源代码_查看“使用python做图像处理”的源代码相关推荐

最新文章

热门文章