一文总结Python数字图像处理基础知识与前沿应用-技术圈

点击下面卡片关注，”AI算法与图像处理”

最新CV成果，火速送达

介绍

数字图像处理由涉及在计算机上处理图像的各种技术和方法组成。对图像进行各种类型的操作，构成数字图像处理。

了解图像实际上是什么

图像基本上是二维信号。信号函数是 f(x,y)，其中 x 和 y 在某个点的值生成该点的像素。图像基本上是一个由 0 到 255 之间的数字组成的二维数组。

图像处理涉及多种因素。图像处理有几个主要动机。

图像处理帮助

改进我们存储的数字信息。
使图像处理自动化。
更好的图像优化，实现高效的存储和传输。

这些年来，图像处理有了很大的进步，图像处理的现代商业应用也很多。

图像处理用途

1. 图像校正、锐化和分辨率校正

通常，我们希望我们可以将旧图像做得更好。这在今天是可能的。缩放、锐化、边缘检测、高动态范围编辑都属于这一类。所有这些步骤都有助于增强图像。大多数编辑软件和图像校正代码都可以轻松完成这些操作。

2. 编辑应用程序和社交媒体的过滤器

如今，大多数编辑应用程序和社交媒体应用程序都提供过滤器。

以上是原始图像和过滤后的图像的示例。滤镜使图像看起来更具视觉吸引力。滤镜通常是一组函数，可以更改图像中的颜色和其他方面，使图像看起来不同。过滤器是图像处理的一个有趣应用。

3. 医疗技术

在医学领域，图像处理用于各种任务，如 PET 扫描、X 射线成像、医学 CT、紫外线成像、癌细胞图像处理等等。将图像处理引入医疗技术领域极大地改善了诊断过程。

左边的图像是原始图像。右边的图像是经过处理的图像。我们可以看到处理后的图像要好得多，可以用于更好的诊断。

4. 计算机/机器视觉

图像处理最有趣和最有用的应用之一是计算机视觉。计算机视觉用于使计算机看到、识别事物，并将整个环境作为一个整体进行处理。计算机视觉的一个重要用途是自动驾驶汽车、无人机等。CV 有助于障碍物检测、路径识别和理解环境。

这就是典型的计算机视觉对汽车自动驾驶仪的工作方式。计算机接收实时镜头并分析其他汽车、道路和其他障碍物。

5. 模式识别

模式识别是图像处理的一部分，涉及人工智能和机器学习。图像处理用于找出图像中的各种模式和方面。模式识别用于手写分析、图像识别、计算机辅助医疗诊断等。

6. 视频处理

视频基本上是图像的快速移动。视频处理中使用了各种图像处理技术。视频处理的一些方法是噪声去除、图像稳定、帧速率转换、细节增强等等。

Python 图像处理入门

让我们从 Python 中的一些基本图像相关任务开始。我们将使用 PIL。

PIL：https://pypi.org/project/Pillow/

Python 图像库用于各种图像处理任务。

安装

   
    pip install pillow

安装了PIL后，我们现在可以转到代码了。

首先，我们使用一些 matplotlib 函数。

   
    import matplotlib.image as img
import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline

将读取以下图像。它被命名为 image1.jpg。

   
    # reading jpg image 
img = img.imread('image1.jpg')
plt.imshow(img)

图像被读取。

   
    # modifying the shape of the image
lum1 = img[:, :, 0] 
plt.imshow(lum1)

现在修改了图像形状。

现在我们将其更改为“热”颜色图。

要了解有关颜色图的更多信息，请访问此链接：https://matplotlib.org/stable/tutorials/colors/colormaps.html。

   
    plt.imshow(lum1, cmap ='hot') 
plt.colorbar()

图像输出看起来：

现在我们尝试不同的颜色图。

   
    imgplot = plt.imshow(lum1)
imgplot.set_cmap('nipy_spectral')

图像输出：

使用颜色图的原因是，通常在各种应用程序和用途中，拥有统一的颜色图会有所帮助。阅读有关颜色图的更多信息：在 Matplotlib 中选择颜色图 https://matplotlib.org/stable/tutorials/colors/colormaps.html。

现在让我们看看为什么我们将图像称为二维数组。

   
    #data type of lum1

print(type(lum1))

输出：<class 'numpy.ndarray'>

   
    print(lum1)

[[ 92 91 89 … 169 168 169]

[110 110 110 … 168 166 167]

[100 103 108 … 164 163 164]

…

[ 97 96 95 … 144 147 147]

[ 99 99 98 … 145 139 138]

[102 102 103 … 149 137 137]]

这些点只是为了表明它们之间还有更多的数据点。但是可以肯定的是，所有数据都是数字数据。

让我们找出数组的大小。

   
    len(lum1)

输出：320

   
    len(lum1[300])

输出：658

这为我们提供了图像的像素数和尺寸：320*658。

我们稍后也会验证这一点。

现在，我们使用 PIL。

   
    from PIL import Image

我们将使用这个图像文件，命名为：people.jpg。

   
    img2 = Image.open('people.jpg')
plt.imshow(img2)

图像被读取。

现在，我们调整图像大小。

   
    img2.thumbnail((50, 50), Image.ANTIALIAS)  # resizes image in-place
imgplot = plt.imshow(img2)

   
    imgplot1 = plt.imshow(img2, interpolation="nearest")

   
    imgplot2 = plt.imshow(img2, interpolation="bicubic")

但是，为什么我们在图像处理中故意模糊图像？通常对于模式识别和计算机视觉算法，如果图像非常清晰，处理起来就会很困难。因此进行模糊处理以使图像平滑。模糊还可以使图像中的颜色过渡从一侧到另一侧更加平滑。

现在，让我们验证我们之前处理过的汽车图像的尺寸。

   
    #some more interesting stuff
file='image1.jpg'
with Image.open(file) as image: 
    width, height = image.size 
#Image width, height is be obtained

这些也是我们之前得到的维度。所以我们可以得出结论，图像是320*658。

让我们也尝试旋转和转置图像。

   
    #Relative Path 
img3 = Image.open("image1.jpg")  
#Angle given 
img_rot= img3.rotate(180)  
#Saved in the same relative location 
img_rot.save("rotated_picture.jpg")

这是旋转后的图像。

   
    #transposing image  
transposed_img = img3.transpose(Image.FLIP_LEFT_RIGHT)
#Saved in the same relative location 
transposed_img.save("transposed_img.jpg")

这是转置后的图像。

尾注

图像处理有各种重要的应用，随着时间的推移，方法和过程也会得到改进。

       个人微信（如果没有备注不拉群！）
      

       请注明：地区+学校/企业+研究方向+昵称
      

下载1：何恺明顶会分享

在「AI算法与图像处理」公众号后台回复：何恺明，即可下载。总共有6份PDF，涉及 ResNet、Mask RCNN等经典工作的总结分析

下载2：终身受益的编程指南：Google编程风格指南

在「AI算法与图像处理」公众号后台回复：c++，即可下载。历经十年考验，最权威的编程规范！

    
     下载3 CVPR2021
    
    
     

    
    
     在「AI算法与图像处理」公众号后台回复：CVPR，即可下载1467篇CVPR 2020论文 和 CVPR 2021 最新论文

点亮，告诉大家你也在看