(超全)python图像处理详细解析（2）

2024-04-27 05:04
文章标签 python 图像处理 详细 解析 超全

本文主要是介绍(超全)python图像处理详细解析（2），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

图像处理

    • 15.对图片进行二值化
    • 16.图像归一化
    • 17.阈值分割
        • 1.
        • 2.
        • 3.
        • 4.
    • 18.图像数据类型及转换
      • 1.unit8转float
      • 2.float转unit8
    • 19.颜色空间及其转换
      • rgb转灰度图：
      • rgb转hsv
      • 对图片着色
    • 20. imshow()图像的绘制
    • 21.用figure函数和subplot函数分别创建主窗口与子图
    • 22.对图像进行批量处理
        • 1.
        • 2.

15.对图片进行二值化

from skimage import io,data,color
img=io.imread('iii.jpg')
#将彩色图像转换为灰度图像
img_gray=color.rgb2gray(img)
#获取灰度图像的行数和列数
rows,cols=img_gray.shape
#对图像的每一行进行迭代。
for i in range(rows):
#对图像的每一列进行迭代。
for j in range(cols):
#检查当前像素的灰度值是否小于等于0.5。if (img_gray[i,j]<=0.5):
#如果是，将当前像素的值设置为0。img_gray[i,j]=0else:img_gray[i,j]=1
io.imshow(img_gray)
#使用了color模块的rgb2gray（）函数，将彩色三通道图片转换成灰度图。转换结果为float64类型的数组，范围为[0,1]之间。

在这里插入图片描述

16.图像归一化

1、线性归一化：将图像的像素值线性映射到[0, 1]范围内。这是最常见的归一化方法，也是最简单的方法之一。

normalized_image = (image - np.min(image)) / (np.max(image) - np.min(image))

2、均值方差归一化：将图像的像素值减去均值后，除以标准差，使得图像的均值为0，标准差为1。这样可以降低图像数据的偏差和差异性。
代码如下：

import numpy as np
#image为array类型，多少维度都无所谓，直接操作全部元素
image = (image - np.min(image)) / (np.max(image) - np.min(image))

3、直方图均衡化：通过重新分布图像像素的直方图，增强图像的对比度和细节。这在图像增强和图像识别等领域非常有用。

from skimage import exposure
equalized_image = exposure.equalize_hist(image)

三、图像归一化的应用场景
计算机视觉：在计算机视觉中，图像归一化可以用于预处理图像数据，以提高分类、检测和识别算法的准确性和稳定性。
图像增强：通过归一化，我们可以增强图像的对比度、亮度和细节，使图像更加清晰和鲜明。
图像分析：在图像分析中，图像归一化可以帮助我们去除图像之间的差异，使得图像数据更易于比较和分析。

from skimage import io, color
import numpy as np# 读取图像
image = io.imread('image.jpg')# 获取图像的像素值范围
min_val = np.min(image)
max_val = np.max(image)# 归一化图像
normalized_image = (image - min_val) / (max_val - min_val)# 显示归一化后的图像
io.imshow(normalized_image)
io.show()

在这里插入图片描述

17.阈值分割

1.
from skimage import io,data
img=io.imread('iii.jpg')
#其中对于图像中的每个像素，如果红色通道的值大于170，则对应位置为True，否则为False。
reddish = img[:, :, 0] >170
# 将图像中红色通道值大于170的像素改为纯红色，即将红色通道设为255，绿色通道和蓝色通道设为0。
img[reddish] = [255, 0, 0]
io.imshow(img)

在这里插入图片描述

2.
from skimage import io,data
img=io.imread('iii.jpg')
reddish = img[:, :, 0] >170
#图像中红色通道值大于170的像素改为纯绿色，即将红色通道和蓝色通道设为0，绿色通道设为255。
img[reddish] = [0,255, 0]
io.imshow(img)

在这里插入图片描述

3.
from skimage import io,data
img=io.imread('iii.jpg')
reddish = img[:, :, 0] >170
#将图像中红色通道值大于170的像素改为纯蓝色，即将红色通道和绿色通道设为0，蓝色通道设为255。
img[reddish] = [0, 0, 255]
io.imshow(img)

在这里插入图片描述

4.
from skimage import io,data
img=io.imread('iii.jpg')
#对于图像中的每个像素，如果绿色通道的值大于170，则对应位置为True，否则为False。
reddish = img[:, :, 1] >170
#将图像中绿色通道值大于170的像素改为灰色，即将红色、绿色和蓝色通道的值都设为50。
img[reddish] = [50, 50, 50]
io.imshow(img)

在这里插入图片描述

18.图像数据类型及转换

在skimage中，一张图片就是一个简单的numpy数组，数组的数据类型有很多种，相互之间也可以转换。这些数据类型及取值范围如下表所示：

Data typeRange
uint80 to 255
uint160 to 65535
uint320 to 232
float-1 to 1 or 0 to 1
int8-128 to 127
int16-32768 to 32767
int32-231 to 231 - 1
#从scikit-image库中导入io和data模块，这些模块包含了图像I/O和一些示例图像的功能。
from skimage import io,data
#导入PyTorch库，用于深度学习任务。
import torch
#从scikit-image库中导入resize函数，用于调整图像大小。
from skimage.transform import resize
#从matplotlib库中导入pyplot模块，用于绘制图像和图表。
from matplotlib import pyplot as plt
#读取图像
img=io.imread('iii.jpg')
#使用resize函数将图像大小调整为(200, 200)
img = resize(img,(200,200))
# print("Before normalize: \n",img)#建立画布
#创建一个新的图形窗口。
fig = plt.figure()
#在图形窗口中添加一个子图，1行2列的布局，当前子图为第1个。
a=fig.add_subplot(1,2,1)
#显示调整大小后的图像img。
plt.imshow(img)
a.set_title('Before')
#打印图像数据类型的名称
print(img.dtype.name)#定义一个包含均值的列表，用于归一化图像数据。
mean=[0.485, 0.456, 0.406]
#定义一个包含标准差的列表，用于归一化图像数据。
std=[0.229, 0.224, 0.225]#将图像数据img转换为PyTorch的FloatTensor类型。
img = torch.FloatTensor(img)
#创建一个与图像大小相同的张量，其中每个像素的均值都设置为mean
mean = torch.FloatTensor(200*[200*[mean]])
#创建一个与图像大小相同的张量，其中每个像素的标准差都设置为std
std = torch.FloatTensor(200*[200*[std]])
#对图像数据进行归一化处理，即减去均值mean并除以标准差std。
img = (img - mean) / std# print("After normalize: \n",img)
#在图形窗口中添加一个子图，1行2列的布局，当前子图为第2个。
a = fig.add_subplot(1, 2, 2)
#设置当前子图的标题为'After'。
a.set_title("After")
plt.imshow(img)
plt.show()

在这里插入图片描述

1.unit8转float

from skimage import io, img_as_floatimg = io.imread('mao.jpg')
print(img.dtype.name)
# print(img)
#将图像img转换为浮点数类型，并将结果存储在变量dst中。
dst = img_as_float(img)
print(dst.dtype.name)io.imshow(dst)
#显示转换后的浮点数类型图像dst。
# print(dst)

在这里插入图片描述

2.float转unit8

from skimage import io,data,img_as_ubyte
import numpy as np
#创建一个包含0、0.5和1的NumPy数组，数据类型为浮点数。
img = np.array([0,0.5,1],dtype=float)
# io.imshow(img)
print(img.dtype.name)
print(img)
#将浮点数数组img转换为无符号字节类型，并将结果存储在变量dst1中。
dst1=img_as_ubyte(img)
print(dst1.dtype.name)
print(dst1)

在这里插入图片描述

19.颜色空间及其转换

除了直接转换可以改变数据类型外，还可以通过图像的颜色空间转换来改变数据类型。
常用的颜色空间有灰度空间、rgb空间、hsv空间和cmyk空间。颜色空间转换以后，图片类型都变成了float型。
所有的颜色空间转换函数，都放在skimage的color模块内。
RGB颜色空间有：(红red 绿green 蓝blue)三原色：取值范围都是：[0,255],[0,255],[0,255]
HSV：
H (Hue)色相:[0,360]
S (Saturation)饱和度，即色彩纯净度，0饱和度为白色
V (Value/Brightness):明度 0明度为纯黑色
在OpenCV中，颜色范围：
H = [0,179]
S = [0,255]
V = [0,255]
Lab：颜色之间的欧式距离有具体含义–距离越大，人眼感官两种颜色差距越远
L 通道：像素亮度，上白下黑 中间灰
a 通道：左绿 右红
b 通道：一端纯蓝，一端纯黄

rgb转灰度图：

from skimage import io, color
img = io.imread('mao.jpg')
gray_img = color.rgb2hsv(img)
io.imshow(gray_img)

在这里插入图片描述
其他转换：
在这里插入图片描述
在这里插入图片描述

rgb转hsv

用一个函数来代替上面的函数

skimage.color.convert_colorspace(arr, fromspace, tospace)
其中tospace必须是dict_key之一（[‘rgb’，‘hsv’，‘rgb-cie’，‘xyz’，‘yuv’，‘yiq’，‘ypbpr’，‘ycbcr’，‘ydbdr’]）

表示将img从RGB颜色空间转换到yuv颜色空间。

from skimage import io, color
img = io.imread('mao.jpg')
hsv=color.convert_colorspace(img,'RGB','yuv')
io.imshow(hsv)

在这里插入图片描述

对图片着色

将图片分成三类，然后用默认颜色对三类进行着色

from skimage import io, color
import numpy as np
img = io.imread('mao.jpg')
gray = color.rgb2hsv(img)  #颜色空间转换
rows,cols=gray.shape[0],gray.shape[1]  #提取行数（高度）和列数（宽度）
#创建了一个与图像大小相同的零数组labels，用于存储后续的标签信息。
labels=np.zeros([rows,cols])for i in range(rows):for j in range(cols):if(gray[i,j,2]<0.4):labels[i,j]=1  #如果亮度小于0.4，标签被设置为1elif(gray[i,j,2]<0.75):labels[i,j]=1  #如果亮度小于0.75，标签也被设置为1else:labels[i,j]=2  #否则，标签被设置为2
#将标签数组转换为彩色图像，将不同的标签值转换为不同的颜色，通常用于可视化图像分割的结果。dst=color.label2rgb(labels)  
io.imshow(dst)

在这里插入图片描述

20. imshow()图像的绘制

imshow()函数格式为：
matplotlib.pyplot.imshow(X, cmap=None)
X: 要绘制的图像或数组。
图像数据。支持的数组形状是：
（M，N） ：带有标量数据的图像。数据可视化使用色彩图。
（M，N，3） ：具有RGB值的图像（float或uint8）。
（M，N，4） ：具有RGBA值的图像（float或uint8），即包括透明度。
前两个维度（M，N）定义了行和列图片，即图片的高和宽；
RGB（A）值应该在浮点数[0, …, 1]的范围内,或者
整数[0, … ,255]。超出范围的值将被剪切为这些界限。

cmap: 颜色图谱（colormap), 默认绘制为RGB(A)颜色空间。

颜色图谱描述
autumn红-橙-黄
bone黑-白，x线
cool青-洋红
copper黑-铜
flag红-白-蓝-黑
gray黑-白
hot黑-红-黄-白
hsvhsv颜色空间， 红-黄-绿-青-蓝-洋红-红
inferno黑-红-黄
jet蓝-青-黄-红
magma黑-红-白
pink黑-粉-白
plasma绿-红-黄
prism红-黄-绿-蓝-紫-…-绿模式
spring洋红-黄
summer绿-黄
viridis蓝-绿-黄
winter蓝-绿
import matplotlib.pyplot as plt
img = io.imread('mao.jpg')
plt.imshow(img,cmap=plt.cm.bone)

在这里插入图片描述
上图类型显示matplotlib.image.AxesImage，显示一张图片，我们还可以这样写：

import matplotlib.pyplot as plt
from skimage import io,data
img=io.imread('mao.jpg')
plt.imshow(img)
plt.show()

matplotlib是一个专业绘图的库，相当于matlab中的plot,可以设置多个figure窗口,设置figure的标题，隐藏坐标尺，甚至可以使用subplot在一个figure中显示多张图片。

21.用figure函数和subplot函数分别创建主窗口与子图

在图片绘制过程中，我们用matplotlib.pyplot模块下的figure（）函数来创建显示窗口，该函数的格式为：

matplotlib.pyplot.figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None)

所有参数都是可选的，都有默认值，因此调用该函数时可以不带任何参数，其中：

num: 整型或字符型都可以。如果设置为整型，则该整型数字表示窗口的序号。如果设置为字符型，则该字符串表示窗口的名称。用该参数来命名窗口，如果两个窗口序号或名相同，则后一个窗口会覆盖前一个窗口。

figsize: 设置窗口大小。是一个tuple型的整数，如figsize=（8，8）

dpi: 整形数字，表示窗口的分辨率。

facecolor: 窗口的背景颜色。
edgecolor: 窗口的边框颜色。

用figure()函数创建的窗口，只能显示一幅图片，如果想要显示多幅图片，则需要将这个窗口再划分为几个子图，在每个子图中显示不同的图片。我们可以使用subplot（）函数来划分子图，函数格式为：
matplotlib.pyplot.subplot(nrows, ncols, plot_number)
nrows: 子图的行数。
ncols: 子图的列数。
plot_number: 当前子图的编号。

import cv2
import matplotlib.pyplot as plt
from skimage import data
img=io.imread('mao.jpg')
#创建了一个新的matplotlib窗口，并将其命名为’astronaut’。窗口的大小被设置为8x8。
plt.figure(num='astronaut',figsize=(8,8))
#分割为三个独立的颜色
r, g, b = cv2.split(img)
#2x2的子图布局，选择第一个子图
plt.subplot(2,2,1)
plt.title('1')
plt.imshow(img)plt.subplot(2,2,2)
plt.title('2')
plt.imshow(r)plt.subplot(2,2,3)
plt.title('3')
plt.imshow(b)plt.subplot(2,2,4)
plt.title('4')
plt.imshow(g)

在这里插入图片描述

22.对图像进行批量处理

这个函数是放在io模块内的，带两个参数，第一个参数load_pattern, 表示图片组的路径，可以是一个str字符串。第二个参数load_func是一个回调函数，我们对图片进行批量处理就可以通过这个回调函数实现。回调函数默认为imread(),即默认这个函数是批量读取图片。

1.
import skimage.io as io
from skimage import data_dir
#将data_dir与通配符*和.png结合起来
str = data_dir+'/*.png'
#使用io.ImageCollection类创建了一个集合，该集合包含所有匹配文件匹配模式的文件
coll = io.ImageCollection(str)
#打印了coll的长度，即其中包含的图像数量
print(len(coll))
#显示coll中的第7张图像
io.imshow(coll[6])
io.show()

在这里插入图片描述

2.

对批量图片转成灰度图像

from skimage import data_dir,io,color
def convert_gray(f):rgb=io.imread(f)return color.rgb2gray(rgb)
str = data_dir+'/*.png'
coll = io.ImageCollection(str,load_func=convert_gray)
io.imshow(coll[8])

在这里插入图片描述

这篇关于(超全)python图像处理详细解析（2）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/939586。

相关文章

线上Java OOM问题定位与解决方案超详细解析

线上Java OOM问题定位与解决方案超详细解析

《线上JavaOOM问题定位与解决方案超详细解析》OOM是JVM抛出的错误,表示内存分配失败,：本文主要介绍线上JavaOOM问题定位与解决方案的相关资料,文中通过代码介绍的非常详细,需要的朋... 目录一、OOM问题核心认知1.1 OOM定义与技术定位1.2 OOM常见类型及技术特征二、OOM问题定位工具
阅读更多...
Python的Darts库实现时间序列预测

Python的Darts库实现时间序列预测

《Python的Darts库实现时间序列预测》Darts一个集统计、机器学习与深度学习模型于一体的Python时间序列预测库,本文主要介绍了Python的Darts库实现时间序列预测,感兴趣的可以了解... 目录目录一、什么是 Darts？二、安装与基本配置安装 Darts导入基础模块三、时间序列数据结构与
阅读更多...
Python正则表达式匹配和替换的操作指南

Python正则表达式匹配和替换的操作指南

《Python正则表达式匹配和替换的操作指南》正则表达式是处理文本的强大工具,Python通过re模块提供了完整的正则表达式功能,本文将通过代码示例详细介绍Python中的正则匹配和替换操作,需要的朋... 目录基础语法导入re模块基本元字符常用匹配方法1. re.match() - 从字符串开头匹配2.
阅读更多...
基于 Cursor 开发 Spring Boot 项目详细攻略

基于 Cursor 开发 Spring Boot 项目详细攻略

《基于Cursor开发SpringBoot项目详细攻略》Cursor是集成GPT4、Claude3.5等LLM的VSCode类AI编程工具,支持SpringBoot项目开发全流程,涵盖环境配... 目录cursor是什么？基于 Cursor 开发 Spring Boot 项目完整指南1. 环境准备2. 创建
阅读更多...
Python使用FastAPI实现大文件分片上传与断点续传功能

Python使用FastAPI实现大文件分片上传与断点续传功能

《Python使用FastAPI实现大文件分片上传与断点续传功能》大文件直传常遇到超时、网络抖动失败、失败后只能重传的问题,分片上传+断点续传可以把大文件拆成若干小块逐个上传,并在中断后从已完成分片继... 目录一、接口设计二、服务端实现（FastAPI）2.1 运行环境2.2 目录结构建议2.3 serv
阅读更多...
通过Docker容器部署Python环境的全流程

通过Docker容器部署Python环境的全流程

《通过Docker容器部署Python环境的全流程》在现代化开发流程中,Docker因其轻量化、环境隔离和跨平台一致性的特性,已成为部署Python应用的标准工具,本文将详细演示如何通过Docker容... 目录引言一、docker与python的协同优势二、核心步骤详解三、进阶配置技巧四、生产环境最佳实践
阅读更多...
Python一次性将指定版本所有包上传PyPI镜像解决方案

Python一次性将指定版本所有包上传PyPI镜像解决方案

《Python一次性将指定版本所有包上传PyPI镜像解决方案》本文主要介绍了一个安全、完整、可离线部署的解决方案,用于一次性准备指定Python版本的所有包,然后导出到内网环境,感兴趣的小伙伴可以跟随... 目录为什么需要这个方案完整解决方案1. 项目目录结构2. 创建智能下载脚本3. 创建包清单生成脚本4
阅读更多...
Python实现Excel批量样式修改器(附完整代码)

Python实现Excel批量样式修改器(附完整代码)

《Python实现Excel批量样式修改器(附完整代码)》这篇文章主要为大家详细介绍了如何使用Python实现一个Excel批量样式修改器,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一... 目录前言功能特性核心功能界面特性系统要求安装说明使用指南基本操作流程高级功能技术实现核心技术栈关键函
阅读更多...
python获取指定名字的程序的文件路径的两种方法

python获取指定名字的程序的文件路径的两种方法

《python获取指定名字的程序的文件路径的两种方法》本文主要介绍了python获取指定名字的程序的文件路径的两种方法,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要... 最近在做项目，需要用到给定一个程序名字就可以自动获取到这个程序在Windows系统下的绝对路径，以下
阅读更多...
使用Python批量将.ncm格式的音频文件转换为.mp3格式的实战详解

使用Python批量将.ncm格式的音频文件转换为.mp3格式的实战详解

《使用Python批量将.ncm格式的音频文件转换为.mp3格式的实战详解》本文详细介绍了如何使用Python通过ncmdump工具批量将.ncm音频转换为.mp3的步骤,包括安装、配置ffmpeg环... 目录1. 前言2. 安装 ncmdump3. 实现 .ncm 转 .mp34. 执行过程5. 执行结
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2