Python图像处理介绍--Python中的图像表示-技术圈

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

使用Python进行图像处理是理解如何通过数学和代码表示图片的有趣方法，希望这篇文章能让您了解计算机是如何理解图像数据的。

让我们从导入需要的库开始吧！

# First import the required Python Librariesimport numpy as npimport matplotlib.pyplot as pltfrom skimage import img_as_uintfrom skimage.io import imshow, imreadfrom skimage.color import rgb2hsvfrom skimage.color import rgb2gray

一个图像可以被认为是一个矩阵，其中每个像素的颜色是由一个尺度上的数字表示。

array_1 = np.array([[255, 0],                     [0, 255]])imshow(array_1, cmap = 'gray');

上面的输出是我们刚刚创建的矩阵的直观表示。注意，我们不限于简单的2x2矩阵。以下是3x3矩阵的示例。

array_2 = np.array([[255, 0, 255],                     [0, 255, 0],                    [255, 0, 255]])imshow(array_2, cmap = 'gray');

我们的示例选择的是光谱中最极端的颜色，但我们也可以访问介于两者之间的任何颜色。

array_spectrum = np.array([np.arange(0,255,17),                    np.arange(255,0,-17),                   np.arange(0,255,17),                   np.arange(255,0,-17)])fig, ax = plt.subplots(1, 2, figsize=(12,4))ax[0].imshow(array_spectrum, cmap = 'gray')ax[0].set_title('Arange Generation')ax[1].imshow(array_spectrum.T, cmap = 'gray')ax[1].set_title('Transpose Generation');

下面的图像是使用NumPy的arange函数构造的，并通过获取第一个图像的转置来创建了另一个图像。

为了简单起见，我们一直使用灰度，但请记住，计算机实际上理解的颜色是红色，绿色和蓝色的组合。因此，我们可以将图像表示为三维矩阵。每个像素被表示为一个Python列表，用于指定它们的颜色组合。

array_colors = np.array([[[255, 0, 0],                          [0, 255, 0],                         [0, 0, 255]]])imshow(array_colors);

让我们尝试处理真实图像，下面是一只可爱的小狗的图片。

doggo = imread('doggo.png')imshow(doggo);

doggo.shape

检查图像的大小，我们看到它是一个390x385x3矩阵。使用Python我们可以对这个矩阵进行切片，并将每个部分表示为它自己的图像。

fig, ax = plt.subplots(1, 3,                        figsize=(6,4),                        sharey= True)    ax[0].imshow(doggo[:, 0:130])ax[0].set_title('First Split')    ax[1].imshow(doggo[:, 130:260])ax[1].set_title('Second Split')    ax[2].imshow(doggo[:, 260:390])ax[2].set_title('Third Split');

而且我们也可以显示图像的任意部分，下面就是小狗的脸部显示。

imshow(doggo[95:250, 130:275]);

现在让我们做点有意思的事情~

前面我们说过，一个图像可以由一个三维矩阵表示，因此我们可以通过以下操作，将图像分解成红色、绿色和蓝色来分别显示。

fig, ax = plt.subplots(1, 3, figsize=(12,4), sharey = True)ax[0].imshow(doggo[:,:,0], cmap='Reds')ax[0].set_title('Red')ax[1].imshow(doggo[:,:,1], cmap='Greens')ax[1].set_title('Green')ax[2].imshow(doggo[:,:,2], cmap='Blues')ax[2].set_title('Blue');

此外，我们可以将图像从RGB(红，绿，蓝)转换为HSV(色相，饱和度，值)。

doggo_hsv = rgb2hsv(doggo)fig, ax = plt.subplots(1, 3, figsize=(12,4), sharey = True)ax[0].imshow(doggo_hsv[:,:,0], cmap='hsv')ax[0].set_title('Hue')ax[1].imshow(doggo_hsv[:,:,1], cmap='gray')ax[1].set_title('Saturation')ax[2].imshow(doggo_hsv[:,:,2], cmap='gray')ax[2].set_title('Value');

最后，我们还可以将图像矩阵转换为灰度。通过将图像转换为简单的二维矩阵，这使我们能够轻松地根据每个像素与指定值的关系来过滤图像。

doggo_gray = rgb2gray(doggo)fig, ax = plt.subplots(1, 5, figsize=(17,6), sharey = True)ax[0].imshow(doggo_gray, cmap = 'gray')ax[0].set_title('Grayscale Original')ax[1].imshow(img_as_uint(doggo_gray > 0.25),              cmap = 'gray')ax[1].set_title('Greater than 0.25')ax[2].imshow(img_as_uint(doggo_gray > 0.50),              cmap = 'gray')ax[2].set_title('Greater than 0.50');ax[3].imshow(img_as_uint(doggo_gray > 0.75),              cmap = 'gray')ax[3].set_title('Greater than 0.75');ax[4].imshow(img_as_uint(doggo_gray > np.mean(doggo_gray)),              cmap = 'gray')ax[4].set_title('Greater than Mean');

通过本文我们了解了如何使用Python加载和操作图像。为了更好地理解图像在Python中的显示，最好的办法就是动手复现一下上述代码。

使用Python进行图像处理是理解如何通过数学和代码表示图片的有趣方法，希望这篇文章能让您了解计算机是如何理解图像数据的。

让我们从导入需要的库开始吧！

# First import the required Python Librariesimport numpy as npimport matplotlib.pyplot as pltfrom skimage import img_as_uintfrom skimage.io import imshow, imreadfrom skimage.color import rgb2hsvfrom skimage.color import rgb2gray

一个图像可以被认为是一个矩阵，其中每个像素的颜色是由一个尺度上的数字表示。

array_1 = np.array([[255, 0],                     [0, 255]])imshow(array_1, cmap = 'gray');

上面的输出是我们刚刚创建的矩阵的直观表示。注意，我们不限于简单的2x2矩阵。以下是3x3矩阵的示例。

array_2 = np.array([[255, 0, 255],                     [0, 255, 0],                    [255, 0, 255]])imshow(array_2, cmap = 'gray');

我们的示例选择的是光谱中最极端的颜色，但我们也可以访问介于两者之间的任何颜色。

array_spectrum = np.array([np.arange(0,255,17),                    np.arange(255,0,-17),                   np.arange(0,255,17),                   np.arange(255,0,-17)])fig, ax = plt.subplots(1, 2, figsize=(12,4))ax[0].imshow(array_spectrum, cmap = 'gray')ax[0].set_title('Arange Generation')ax[1].imshow(array_spectrum.T, cmap = 'gray')ax[1].set_title('Transpose Generation');

下面的图像是使用NumPy的arange函数构造的，并通过获取第一个图像的转置来创建了另一个图像。

array_colors = np.array([[[255, 0, 0],                          [0, 255, 0],                         [0, 0, 255]]])imshow(array_colors);

让我们尝试处理真实图像，下面是一只可爱的小狗的图片。

doggo = imread('doggo.png')imshow(doggo);

doggo.shape

检查图像的大小，我们看到它是一个390x385x3矩阵。使用Python我们可以对这个矩阵进行切片，并将每个部分表示为它自己的图像。

fig, ax = plt.subplots(1, 3,                        figsize=(6,4),                        sharey= True)    ax[0].imshow(doggo[:, 0:130])ax[0].set_title('First Split')    ax[1].imshow(doggo[:, 130:260])ax[1].set_title('Second Split')    ax[2].imshow(doggo[:, 260:390])ax[2].set_title('Third Split');

而且我们也可以显示图像的任意部分，下面就是小狗的脸部显示。

imshow(doggo[95:250, 130:275]);

现在让我们做点有意思的事情~

前面我们说过，一个图像可以由一个三维矩阵表示，因此我们可以通过以下操作，将图像分解成红色、绿色和蓝色来分别显示。

fig, ax = plt.subplots(1, 3, figsize=(12,4), sharey = True)ax[0].imshow(doggo[:,:,0], cmap='Reds')ax[0].set_title('Red')ax[1].imshow(doggo[:,:,1], cmap='Greens')ax[1].set_title('Green')ax[2].imshow(doggo[:,:,2], cmap='Blues')ax[2].set_title('Blue');

此外，我们可以将图像从RGB(红，绿，蓝)转换为HSV(色相，饱和度，值)。

doggo_hsv = rgb2hsv(doggo)fig, ax = plt.subplots(1, 3, figsize=(12,4), sharey = True)ax[0].imshow(doggo_hsv[:,:,0], cmap='hsv')ax[0].set_title('Hue')ax[1].imshow(doggo_hsv[:,:,1], cmap='gray')ax[1].set_title('Saturation')ax[2].imshow(doggo_hsv[:,:,2], cmap='gray')ax[2].set_title('Value');

最后，我们还可以将图像矩阵转换为灰度。通过将图像转换为简单的二维矩阵，这使我们能够轻松地根据每个像素与指定值的关系来过滤图像。

doggo_gray = rgb2gray(doggo)fig, ax = plt.subplots(1, 5, figsize=(17,6), sharey = True)ax[0].imshow(doggo_gray, cmap = 'gray')ax[0].set_title('Grayscale Original')ax[1].imshow(img_as_uint(doggo_gray > 0.25),              cmap = 'gray')ax[1].set_title('Greater than 0.25')ax[2].imshow(img_as_uint(doggo_gray > 0.50),              cmap = 'gray')ax[2].set_title('Greater than 0.50');ax[3].imshow(img_as_uint(doggo_gray > 0.75),              cmap = 'gray')ax[3].set_title('Greater than 0.75');ax[4].imshow(img_as_uint(doggo_gray > np.mean(doggo_gray)),              cmap = 'gray')ax[4].set_title('Greater than Mean');

通过本文我们了解了如何使用Python加载和操作图像。为了更好地理解图像在Python中的显示，最好的办法就是动手复现一下上述代码。

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目31讲

在「小白学视觉」公众号后台回复：Python视觉实战项目31讲，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

下载4：leetcode算法开源书

在「小白学视觉」公众号后台回复：leetcode，即可下载。每题都 runtime beats 100% 的开源好书，你值得拥有！

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~