图像处理基础

测试1：PIL：Python图像处理类库

PIL（Python Imaging Library，图像处理库）提供了通用的图像处理功能，以及大量有用的基本图像操作。PIL库已经集成在Anaconda库中，推荐使用Anaconda，简单方便，常用库都已经集成。也可以安装python(x,y)，但是我一直安装失败，所以就没有装，没有安装也可以自己导入，比如我就是用的pycharm自己导入。

 如果安装失败，可以添加一些镜像网站，在进行下载

代码不报错之后，运行代码：

测试代码：

# -*- coding: utf-8 -*-
from PIL import Image
from pylab import *

# 添加中文字体支持
from matplotlib.font_manager import FontProperties
font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14)
figure()

pil_im = Image.open(‘E:/迅雷下载/test_pic/pic1.jpg‘)
gray()
subplot(121)
title(u‘原图‘,fontproperties=font)
axis(‘off‘)
imshow(pil_im)

pil_im = Image.open(‘E:/迅雷下载/test_pic/pic1.jpg‘).convert(‘L‘)
subplot(122)
title(u‘灰度图‘,fontproperties=font)
axis(‘off‘)
imshow(pil_im)

show()

python的代码基本和matlab一致，大概能理解

测试2：图像轮廓和直方图

当在处理数学及绘图或在图像上描点、画直线、曲线时，Matplotlib是一个很好的绘图库，它比PIL库提供了更有力的特性。导入库的方法如上，或者按快捷键alt+enter直接导入

运行结果：

 测试代码：

# -*- coding: utf-8 -*-
from PIL import Image
from pylab import *

# 添加中文字体支持
from matplotlib.font_manager import FontProperties
font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14)
im = array(Image.open(‘E:/迅雷下载/test_pic/pic1.jpg‘).convert(‘L‘))  # 打开图像，并转成灰度图像

figure()
subplot(121)
gray()
contour(im, origin=‘image‘)
axis(‘equal‘)
axis(‘off‘)
title(u‘图像轮廓‘, fontproperties=font)

subplot(122)
hist(im.flatten(), 128)
title(u‘图像直方图‘, fontproperties=font)
plt.xlim([0,260])
plt.ylim([0,11000])

show()

总结：

Image.open——>打开一幅图像 Image.open(‘图片路径/图片名称.jpg‘)

array（‘图片‘）——>转换成灰度图像

利用hist来绘制直方图：第一个参数为一个一维数组（因为hist只接受一维数组作为输入，所以要用flatten()方法将任意数组按照行优先准则转化成一个一维数组）。第二个参数指定bin的个数

hist(im.flatten(), 128)

测试3：高斯滤波

原理：图像的高斯模糊是非常经典的图像卷积例子。本质上，图像模糊就是将（灰度）图像和一个高斯核进行卷积操作

滤波操作模块——scipy.ndimage.filters   该模块可以使用快速一维分离的方式来计算卷积

运行结果：

 测试代码：

# -*- coding: utf-8 -*-
from PIL import Image
from pylab import *
from scipy.ndimage import filters

# 添加中文字体支持
from matplotlib.font_manager import FontProperties
font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14)

#im = array(Image.open(‘board.jpeg‘))
im = array(Image.open(‘E:/迅雷下载/test_pic/pic1.jpg‘).convert(‘L‘))

figure()
gray()
axis(‘off‘)
subplot(1, 4, 1)
axis(‘off‘)
title(u‘原图‘, fontproperties=font)
imshow(im)

for bi, blur in enumerate([2, 5, 10]):
  im2 = zeros(im.shape)
  im2 = filters.gaussian_filter(im, blur)
  im2 = np.uint8(im2)
  imNum=str(blur)
  subplot(1, 4, 2 + bi)
  axis(‘off‘)
  title(u‘标准差为‘+imNum, fontproperties=font)
  imshow(im2)

#如果是彩色图像，则分别对三个通道进行模糊
#for bi, blur in enumerate([2, 5, 10]):
#  im2 = zeros(im.shape)
#  for i in range(3):
#    im2[:, :, i] = filters.gaussian_filter(im[:, :, i], blur)
#  im2 = np.uint8(im2)
#  subplot(1, 4,  2 + bi)
#  axis(‘off‘)
#  imshow(im2)

show()

总结：标准差越大，图像越来越模糊，

测试4：直方图均衡化

原理：直方图均衡化指将一幅图像的灰度直方图变平，使得变换后的图像中每个灰度值的分布概率都相同，该方法是对灰度值归一化的很好的方法，并且可以增强图像的对比度

直方图均衡化的变换函数是图像中像素值的 累积分布函数 （cumulative distribution function，简写为 cdf，将像素值的范围映射到目标范围的归一化操作）

运行结果：

 测试代码：

# -*- coding: utf-8 -*-
from PIL import Image
from pylab import *
from PCV.tools import imtools

# 添加中文字体支持
from matplotlib.font_manager import FontProperties
font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14)

im = array(Image.open(‘E:/迅雷下载/test_pic/pic1.jpg‘).convert(‘L‘))  # 打开图像，并转成灰度图像
#im = array(Image.open(‘../data/AquaTermi_lowcontrast.JPG‘).convert(‘L‘))
im2, cdf = imtools.histeq(im)

figure()
subplot(2, 2, 1)
axis(‘off‘)
gray()
title(u‘原始图像‘, fontproperties=font)
imshow(im)

subplot(2, 2, 2)
axis(‘off‘)
title(u‘直方图均衡化后的图像‘, fontproperties=font)
imshow(im2)

subplot(2, 2, 3)
axis(‘off‘)
title(u‘原始直方图‘, fontproperties=font)
#hist(im.flatten(), 128, cumulative=True, normed=True)
hist(im.flatten(), 128, normed=True)

subplot(2, 2, 4)
axis(‘off‘)
title(u‘均衡化后的直方图‘, fontproperties=font)
#hist(im2.flatten(), 128, cumulative=True, normed=True)
hist(im2.flatten(), 128, normed=True)

show()

总结：

图像中像素值的累积分布函数（cdf）是可以将像素值的范围映射到目标范围的归一化操作

因为histeq 函数放到imtools,py中去了，所以调用的时候，需要import imtools——>  im2, cdf = imtools.histeq(im)

此时im2就是经过均衡化后的图像了。

代码参考：

http://yongyuan.name/pcvwithpython/chapter1.html