使用python+numpy+scipy进行图像处理实战
以前照相没有像现在这样那么容易的,而在现在你只需要一部手机,就可以免费拍照,而在上一代人之前,业余艺术家和真正的艺术家拍照的费用非常昂贵,并且每张照片的成本也不是免费的。
我们拍照是为了及时地保存美好的瞬间,被保存的记忆可以随时在未来被"打开"。
这个过程就像腌制东西一样,所以我们要注意正确的防腐剂。虽然现在手机为我们提供了一系列的图像处理软件,但是如果我们需要处理大量的照片时,我们就需要其他的工具了,此时编程和Python就派上用场了。Python及其模块如Numpy、Scipy、Matplotlib和其他特殊模块提供了各种各样的函数,能够处理大量图片。
为了向你介绍必要的知识,本文Python教程将教你如何进行基本的图像处理和操作,为此我们使用模块NumPy、Matplotlib和SciPy。
我们从scipy包的misc工具开始。
# 以下行仅在Python notebook中需要加上:
%matplotlib inline
from scipy import misc
ascent = misc.ascent()
import matplotlib.pyplot as plt
plt.gray()
plt.imshow(ascent)
plt.show()
除了显示图像之外,我们还可以看到带有刻度的轴。如果你需要一些关于大小和像素位置的方向时,这是很有用的,但在大多数情况下,你并不需要这些信息,则我们可以通过添加命令plt.axis("off")
来去掉刻度和轴:
from scipy import misc
ascent = misc.ascent()
import matplotlib.pyplot as plt
plt.axis("off") # 删除轴和刻度
plt.gray()
plt.imshow(ascent)
plt.show()
我们可以看到这个图像的类型是一个整数数组:
ascent.dtype
输出:
dtype('int64')
我们也可以检查图像的大小:
ascent.shape
输出:
(512,512)
misc包里还有一张浣熊的图片:
import scipy.misc
face = scipy.misc.face()
print(face.shape)
print(face.max)
print(face.dtype)
plt.axis("off")
plt.gray()
plt.imshow(face)
plt.show()
(768, 1024, 3)
<built-in method max of numpy.ndarray object at 0x7f9e70102800>
uint8
import matplotlib.pyplot as plt
matplotlib只支持png图像
img = plt.imread('frankfurt.png')
print(img[:3])
[[[ 0.41176471 0.56862748 0.80000001][ 0.40392157 0.56078434 0.79215688][ 0.40392157 0.56862748 0.79607844]..., [ 0.48235294 0.62352943 0.81960785][ 0.47843137 0.627451 0.81960785][ 0.47843137 0.62352943 0.82745099]][[ 0.40784314 0.56470591 0.79607844][ 0.40392157 0.56078434 0.79215688][ 0.40392157 0.56862748 0.79607844]..., [ 0.48235294 0.62352943 0.81960785][ 0.47843137 0.627451 0.81960785][ 0.48235294 0.627451 0.83137256]][[ 0.40392157 0.56862748 0.79607844][ 0.40392157 0.56862748 0.79607844][ 0.40392157 0.56862748 0.79607844]..., [ 0.48235294 0.62352943 0.81960785][ 0.48235294 0.62352943 0.81960785][ 0.48627451 0.627451 0.83137256]]]
plt.axis("off")
imgplot = plt.imshow(img)
lum_img = img[:,:,1]
print(lum_img)
[[ 0.56862748 0.56078434 0.56862748 ..., 0.62352943 0.6274510.62352943][ 0.56470591 0.56078434 0.56862748 ..., 0.62352943 0.627451 0.627451 ][ 0.56862748 0.56862748 0.56862748 ..., 0.62352943 0.623529430.627451 ]..., [ 0.31764707 0.32941177 0.32941177 ..., 0.30588236 0.31372550.31764707][ 0.31764707 0.3137255 0.32941177 ..., 0.3019608 0.321568640.33725491][ 0.31764707 0.3019608 0.33333334 ..., 0.30588236 0.321568640.33333334]]
plt.axis("off")
imgplot = plt.imshow(lum_img)
色彩、色度和色调
现在,我们将展示如何给图像着色。色彩是色彩理论的一种表达,是画家常用的一种技法。想到画家就不得不提荷兰,所以在下一个例子中,我们使用荷兰风车的图片来演示。
windmills = plt.imread('windmills.png')
plt.axis("off")
plt.imshow(windmills)
输出:
<matplotlib.image.AxesImage at 0x7f9e77f02f98>
我们现在给图像着色,用白色来增加图像的亮度,为此,我们编写了一个Python函数,它接受一个图像和一个百分比值作为参数。设置"百分比"为0不会改变图像,设置为1表示图像将完全变白:
import numpy as np
import matplotlib.pyplot as plt
def tint(imag, percent):"""imag: 图像percent: 0,图像将保持不变,1,图像将完全变白色,值应该在0~1"""tinted_imag = imag + (np.ones(imag.shape) - imag) * percentreturn tinted_imag
windmills = plt.imread('windmills.png')
tinted_windmills = tint(windmills, 0.8)
plt.axis("off")
plt.imshow(tinted_windmills)
输出:
<matplotlib.image.AxesImage at 0x7f9e6cd99978>
阴影是一种颜色与黑色的混合,它减少了亮度。
import numpy as np
import matplotlib.pyplot as plt
def shade(imag, percent):"""imag: 图像percent: 0,图像将保持不变,1,图像将完全变黑,值应该在0~1"""tinted_imag = imag * (1 - percent)return tinted_imag
windmills = plt.imread('windmills.png')
tinted_windmills = shade(windmills, 0.7)
plt.imshow(tinted_windmills)
输出:
<matplotlib.image.AxesImage at 0x7f9e6cd20048>
def vertical_gradient_line(image, reverse=False):"""我们创建一个垂直梯度线,形状为(1, image.shape[1], 3),如果reverse为False,则值从0增加到1,否则,值将从1递减到0。"""number_of_columns = image.shape[1]if reverse:C = np.linspace(1, 0, number_of_columns)else:C = np.linspace(0, 1, number_of_columns)C = np.dstack((C, C, C))return C
horizontal_brush = vertical_gradient_line(windmills)
tinted_windmills = windmills * horizontal_brush
plt.axis("off")
plt.imshow(tinted_windmills)
输出:
<matplotlib.image.AxesImage at 0x7f9e6ccb3d68>
现在,我们通过将Python函数的reverse参数设置为“True”来从右向左着色图像:
def vertical_gradient_line(image, reverse=False):"""我们创建一个水平梯度线,形为(1, image.shape[1], 3),如果reverse为False,则值从0增加到1,否则,值将从1递减到0。"""number_of_columns = image.shape[1]if reverse:C = np.linspace(1, 0, number_of_columns)else:C = np.linspace(0, 1, number_of_columns)C = np.dstack((C, C, C))return C
horizontal_brush = vertical_gradient_line(windmills, reverse=True)
tinted_windmills = windmills * horizontal_brush
plt.axis("off")
plt.imshow(tinted_windmills)
输出:
<matplotlib.image.AxesImage at 0x7f9e6cbc82b0>
def horizontal_gradient_line(image, reverse=False):"""我们创建一个垂直梯度线,形状为(image.shape[0], 1, 3),如果reverse为False,则值从0增加到1,否则,值将从1递减到0。"""number_of_rows, number_of_columns = image.shape[:2]C = np.linspace(1, 0, number_of_rows)C = C[np.newaxis,:]C = np.concatenate((C, C, C)).transpose()C = C[:, np.newaxis]return C
vertical_brush = horizontal_gradient_line(windmills)
tinted_windmills = windmills
plt.imshow(tinted_windmills)
输出:
<matplotlib.image.AxesImage at 0x7f9e6cb52390>
色调是由一种颜色与灰色的混合产生的,或由着色和阴影产生的。
charlie = plt.imread('Chaplin.png')
plt.gray()
print(charlie)
plt.imshow(charlie)
[[ 0.16470589 0.16862746 0.17647059 ..., 0. 0. 0. ][ 0.16078432 0.16078432 0.16470589 ..., 0. 0. 0. ][ 0.15686275 0.15686275 0.16078432 ..., 0. 0. 0. ]..., [ 0. 0. 0. ..., 0. 0. 0. ][ 0. 0. 0. ..., 0. 0. 0. ][ 0. 0. 0. ..., 0. 0. 0. ]]
输出:
<matplotlib.image.AxesImage at 0x7f9e70047668>
给灰度图像着色:http://scikit-image.org/docs/dev/auto_examples/plot_tinting_grayscale_images.html
在下面的示例中,我们将使用不同的颜色映射。颜色映射可以在matplotlib.pyplot.cm.datad中找到:
plt.cm.datad.keys()
输出:
dict_keys(['afmhot', 'autumn', 'bone', 'binary', 'bwr', 'brg', 'CMRmap', 'cool', 'copper', 'cubehelix', 'flag', 'gnuplot', 'gnuplot2', 'gray', 'hot', 'hsv', 'jet', 'ocean', 'pink', 'prism', 'rainbow', 'seismic', 'spring', 'summer', 'terrain', 'winter', 'nipy_spectral', 'spectral', 'Blues', 'BrBG', 'BuGn', 'BuPu', 'GnBu', 'Greens', 'Greys', 'Oranges', 'OrRd', 'PiYG', 'PRGn', 'PuBu', 'PuBuGn', 'PuOr', 'PuRd', 'Purples', 'RdBu', 'RdGy', 'RdPu', 'RdYlBu', 'RdYlGn', 'Reds', 'Spectral', 'YlGn', 'YlGnBu', 'YlOrBr', 'YlOrRd', 'gist_earth', 'gist_gray', 'gist_heat', 'gist_ncar', 'gist_rainbow', 'gist_stern', 'gist_yarg', 'coolwarm', 'Wistia', 'Accent', 'Dark2', 'Paired', 'Pastel1', 'Pastel2', 'Set1', 'Set2', 'Set3', 'tab10', 'tab20', 'tab20b', 'tab20c', 'Vega10', 'Vega20', 'Vega20b', 'Vega20c', 'afmhot_r', 'autumn_r', 'bone_r', 'binary_r', 'bwr_r', 'brg_r', 'CMRmap_r', 'cool_r', 'copper_r', 'cubehelix_r', 'flag_r', 'gnuplot_r', 'gnuplot2_r', 'gray_r', 'hot_r', 'hsv_r', 'jet_r', 'ocean_r', 'pink_r', 'prism_r', 'rainbow_r', 'seismic_r', 'spring_r', 'summer_r', 'terrain_r', 'winter_r', 'nipy_spectral_r', 'spectral_r', 'Blues_r', 'BrBG_r', 'BuGn_r', 'BuPu_r', 'GnBu_r', 'Greens_r', 'Greys_r', 'Oranges_r', 'OrRd_r', 'PiYG_r', 'PRGn_r', 'PuBu_r', 'PuBuGn_r', 'PuOr_r', 'PuRd_r', 'Purples_r', 'RdBu_r', 'RdGy_r', 'RdPu_r', 'RdYlBu_r', 'RdYlGn_r', 'Reds_r', 'Spectral_r', 'YlGn_r', 'YlGnBu_r', 'YlOrBr_r', 'YlOrRd_r', 'gist_earth_r', 'gist_gray_r', 'gist_heat_r', 'gist_ncar_r', 'gist_rainbow_r', 'gist_stern_r', 'gist_yarg_r', 'coolwarm_r', 'Wistia_r', 'Accent_r', 'Dark2_r', 'Paired_r', 'Pastel1_r', 'Pastel2_r', 'Set1_r', 'Set2_r', 'Set3_r', 'tab10_r', 'tab20_r', 'tab20b_r', 'tab20c_r', 'Vega10_r', 'Vega20_r', 'Vega20b_r', 'Vega20c_r'])
import numpy as np
import matplotlib.pyplot as plt
charlie = plt.imread('Chaplin.png')
# colormaps plt.cm.datad
# cmaps = set(plt.cm.datad.keys())
cmaps = {'afmhot', 'autumn', 'bone', 'binary', 'bwr', 'brg', 'CMRmap', 'cool', 'copper', 'cubehelix', 'Greens'}
X = [ (4,3,1, (1, 0, 0)), (4,3,2, (0.5, 0.5, 0)), (4,3,3, (0, 1, 0)), (4,3,4, (0, 0.5, 0.5)), (4,3,(5,8), (0, 0, 1)), (4,3,6, (1, 1, 0)), (4,3,7, (0.5, 1, 0) ), (4,3,9, (0, 0.5, 0.5)),(4,3,10, (0, 0.5, 1)), (4,3,11, (0, 1, 1)), (4,3,12, (0.5, 1, 1))]
fig = plt.figure(figsize=(6, 5))
#fig.subplots_adjust(bottom=0, left=0, top = 0.975, right=1)
for nrows, ncols, plot_number, factor in X:sub = fig.add_subplot(nrows, ncols, plot_number)sub.set_xticks([])plt.colors()sub.imshow(charlie*0.0002, cmap=cmaps.pop())sub.set_yticks([])
#fig.show()
参考链接:https://levelup.gitconnected.com/image-processing-in-python-b5e3e11e1413
留言送书福利
为了感谢大家长期以来的支持,小编会在每次发送课程文的第二天做一次”送书”活动!
本次小编精心挑选了《机器学习与深度学习算法基础》送给2位粉丝。本书共分为上下两篇,共18章,其中第一篇为经典机器学习模型部分,主要讲解了常用的机器学习经典模型。第二篇为深度学习和神经网络部分,主要介绍了时下蕞流形和通用的一些模型。
在本文文末留言即可参与活动,留言内容需为主题相关,多多留言会提升中奖概率哟~~
/ 留言主题 /
你怎么看待昨天发的《一文走遍完整NLP自然语言处理流程》
,对你有帮助么?有什么建议?
本次“留言送书”活动截至到9月12号,抽留言走心的粉丝2名 免费赠送1本书籍(走心留言将经过筛选)。届时会公布中奖者评论截图及福利领取方式~
☆ END ☆
如果看到这里,说明你喜欢这篇文章,请转发、点赞。微信搜索「uncle_pn」,欢迎添加小编微信「 mthler」,每日朋友圈更新一篇高质量博文。
↓扫描二维码添加小编↓
使用python+numpy+scipy进行图像处理实战相关推荐
- Matlab和Python(Numpy,Scipy)与Lapack的关系
说到数值计算,可能许多人都能立马想到Matlab.Matlab多年的持续影响力已经让它成为许多人心中科学计算的代名词.但它底层一个重要的库Lapack却很少有人知道. 而Python年龄比Matlab ...
- python用于统计学_R 和 Python (numpy scipy pandas) 用于统计学分析,哪个更好?
用R做过Python擅长的,也用Python做过R擅长的.有一天,打开官网,看到两句话,豁然开朗. R:R is a free software environment for statistical ...
- python apriori算法 sklearn_R 和 Python (numpy scipy pandas) 用于统计学分析,哪个更好?...
可以两个一起学,参见我的博文,可以做个索引. Python 和 R 数据分析/挖掘工具互查 写在前面 在此总结一些在数据分析/挖掘中可能用到的功能,方便大家索引或者从一种语言迁移到另一种.当然,这篇博 ...
- 深度对比Python(Numpy,Scipy)与Matlab的数值精度
Matlab一度被认为是最专业的数值计算工具之一,相信许多同学都或多或少用过这个工具.相比而言,Python作为一种胶水式的语言,其设计之初就不是为科学计算服务的.之前也看到许多人在吐槽说用Pytho ...
- matlab error函数_深度对比Python(Numpy,Scipy)与Matlab的数值精度
CSDN原文:https://blog.csdn.net/cauchy7203/article/details/107785295 Matlab一度被认为是最专业的数值计算工具之一,相信许多同学都或多 ...
- python基础知识及数据分析工具安装及简单使用(Numpy/Scipy/Matplotlib/Pandas/StatsModels/Scikit-Learn/Keras/Gensim))
Python介绍. Unix & Linux & Window & Mac 平台安装更新 Python3 及VSCode下Python环境配置配置 python基础知识及数据分 ...
- 《OpenCv视觉之眼》Python图像处理十六:Opencv图像处理实战一之图像中的硬币检测
本专栏主要介绍如果通过OpenCv-Python进行图像处理,通过原理理解OpenCv-Python的函数处理原型,在具体情况中,针对不同的图像进行不同等级的.不同方法的处理,以达到对图像进行去噪.锐 ...
- Python使用numpy函数vsplit垂直(行角度)拆分numpy数组(返回拆分后的numpy数组列表)实战:垂直拆分二维numpy数组、split函数垂直拆分二维numpy数组
Python使用numpy函数vsplit垂直(行角度)拆分numpy数组(返回拆分后的numpy数组列表)实战:垂直拆分二维numpy数组.split函数垂直拆分二维numpy数组 目录
- Python使用numpy函数hsplit水平(按列)拆分numpy数组(返回拆分后的numpy数组列表)实战:水平(按列)拆分二维numpy数组、split函数水平(按列)拆分二维numpy数组
Python使用numpy函数hsplit水平(按列)拆分numpy数组(返回拆分后的numpy数组列表)实战:水平(按列)拆分二维numpy数组.split函数水平(按列)拆分二维numpy数组 目 ...
最新文章
- Pass4side CompTIA PK0-002题库下载
- 内存条结构_CPU是电脑里最难坏的硬件,为什么不敢终身质保,而内存条却可以...
- 欢乐纪中某B组赛【2018.12.8】
- docker registry push 覆盖_原创 | 全网最实在的docker入门教程四
- VB如何判断文件正被占用/已被打开
- 铁大课表 可行性研究报告
- java笔试试题含答案_Java笔试题带答案
- windows10商店应用离线安装方法
- linux软防火墙DDOS,Linux iptables防火墙详解 + 配置抗DDOS***策略实战
- 二级C语言操作例题(十六)
- 国家图书馆最新推荐70本书
- java博饼_java博饼游戏( 完善中。。。。。。。。。。。)
- linux openerp,Linux+OpenERP/ODOO 安装笔记求推荐。
- eclipse位数、jdk位数和电脑位数要一样
- LaTeX教程(一)——LaTeX介绍以及导言详解
- 自定义微信小程序tabBar组件上边框的颜色
- Django框架的中的setting.py文件说明详解
- 4.6 曲线拟合的最小二乘法
- 网上打印书要多少钱?
- UML用户指南笔记1-------对基本结构建模
热门文章
- GB28181协议实现系列之----IPC实时视频点播(4)
- BZOJ ac100题存档
- ChatGPT评未来考研最好就业的十大专业。你的上榜了吗?
- 计算机哪个专业在未来前景好,计算机中前景好的专业排名
- 鸿蒙系统1007鸿蒙系统,1007 燃爆 | 华为“鸿蒙”真的来了!看完这些商标来历,网友们又激动了...
- php后台登录页,thinkphp5实现后台登录界面的方法
- 快速学习java学习的秘籍
- 国产厂商硬件防火墙对比解析综述
- 第五届安全焦点信息安全技术峰会已经结束,感叹一下,全部是大牛啊
- Android7.0以前和7.0以后开启闪光灯的方式