python計算機視覺1：基本操作與直方圖

---

本文主要內容來源於書籍《python計算機視覺編程》
我是一名初學者，如果你發現文中有錯誤，請留言告訴我，謝謝

---

 PIL模塊 

PIL模塊全程為Python Imaging Library，是python中一個免費的圖像處理模塊。

---

 打開圖像 

PIL模塊常用到它的Image類，打開圖像首先要導入Image類
from PIL import Image，
然后調用Image的open方法。
例如

from PIL import Image

image = Image.open("smallpi.jpg") # 返回一個Image圖像對象
print(image)
# 結果
<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=800x450 at 0x4731348>

---

 圖像的保存及格式轉換 

圖像保存用的是Image對象的save()方法，傳入的參數為保存圖像文件的名字。
當傳入不同的擴展名時，它會根據擴展名自動轉換圖像的格式。
例如

from PIL import Image

image = Image.open("smallpi.jpg") # 打開jpg圖像文件
image.save("smallpi.png") # 保存圖像，並轉換成png格式

---

 轉化成灰度圖像 

獲得Image對象后，調用其convert()方法,傳入參數"L"，即可以返回該圖像的灰度圖像對象。

from PIL import Image

image = Image.open("smallpi.jpg")

image_gray = image.convert("L") # 轉化成灰度圖像
print(image_gray)
# 結果
<PIL.Image.Image image mode=L size=800x450 at 0x46AD648>

 

---

 Image對象與圖像矩陣相互轉化 

 Image對象轉化成圖像矩陣 

Image對象轉化成圖像矩陣只要將Image對象作為numpy.array()參數即可。

import numpy as np
from PIL import Image

image = Image.open("smallpi.jpg")
image_array = np.array(image)
print(image_array)
# 結果
[[[177 177 177]
  [177 177 177]
  [176 176 176]
  ..., 
  #此處省略
  ...,
  [232 232 232]
  [232 232 232]
  [232 232 232]]]

 

---

 

 圖像矩陣轉化成Image對象 

圖像矩陣轉化成Image對象通過Image模塊的fromarray()方法。

import numpy as np
from PIL import Image

image = Image.open("smallpi.jpg")
image_array = np.array(image.convert("L"))
image_array = 255 - image_array # 圖像矩陣處理，將灰度圖像反相
                                # 反相指的是，黑變白，白變黑
image2 = Image.fromarray(image_array)
print(image2)
# 結果
<PIL.Image.Image image mode=RGB size=800x450 at 0x4753748>

 

---

 圖像的顯示 

圖像的顯示需要用到matplotlib模塊。
首先需要導入matplotlib.pyplot
import matplotlib.pyplot as plt
然后，調用pyplot的imshow()方法，傳入Image對象即可

from PIL import Image
import matplotlib.pyplot as plt

image = Image.open("smallpi.jpg")
plt.imshow(image) # 繪制圖像image
plt.show() # 需要調用show()方法，不然圖像只會在內存中而不顯示出來

  

圖像顯示結果（帶坐標軸）

如果想把坐標軸去掉只需要調用pyplot的axis()方法，傳入"off"參數

from PIL import Image
import matplotlib.pyplot as plt

image = Image.open("smallpi.jpg")
plt.imshow(image) # 繪制圖像image
plt.axis("off") # 去掉坐標軸
plt.show() # 需要調用show()方法，不然圖像只會在內存中而不顯示出來 

圖像顯示結果（不帶坐標軸）

如果要顯示灰度圖像，需要導入matplotlib的cm模塊
import matplotlib.cm as cm
然后在調用pyplot.show()時，傳入關鍵字參數cmap=cm.gray。

from PIL import Image            
import matplotlib.pyplot as plt
import matplotlib.cm as cm         

image = Image.open("smallpi.jpg") # 打開圖像
image_gray = image.convert("L") # 轉化成灰度圖像

plt.subplot(2,1,1)
plt.imshow(image_gray) # 沒傳入關鍵字參數cmap=cm.gray
plt.axis("off") # 去掉坐標軸

plt.subplot(2,1,2)
plt.imshow(image_gray, cmap=cm.gray) # 指明 cmap=cm.gray
plt.axis("off") # 去掉坐標軸

plt.show() # 顯示圖像 

顯示結果
上：沒指定cmap ， 下：指定cmap=cm.gray

---

 創建縮略圖 

創建圖像縮略圖可以通過Image的thumbnail()方法，參數傳入一個元組，指明縮略圖的大小，如thumbnail((128,128))。
例如

from PIL import Image

image = Image.open("smallpi.jpg")
image_thumbnail = image.thumbnail((128,128))

image.save("thumbnail.jpg") 

結果為

---

 復制和粘貼區域 

復制區域是指截取圖像中的一部分，並將這一部分作為一個新的Image對象。
復制區域的方法為crop()，參數為一個含4個元素的元組，用來指定截取區域的左上角點和右下角點。

from PIL import Image

image = Image.open("smallpi.jpg") # 打開圖像
box = (300,100,500,300) # 截取區域
image_crop = image.crop(box) # 按指定截取區域對圖像進行截取復制

image_crop.save("image_crop.jpg") # 保存

 

保存的截取區域圖像為

 

粘貼區域是指在指定圖像中放入另一個圖像，其方法為paste()。該方法有兩個參數，第一個參數為需要粘貼進去的圖像，第二個參數為粘貼區域。

from PIL import Image

image = Image.open("smallpi.jpg")
box = (300,100,500,300)        # 先截取一部分
image_crop = image.crop(box)    

# 為了看到粘貼效果，現將截取部分轉180度
image_crop = image_crop.transpose(Image.ROTATE_180) # 轉180度
image.paste(image_crop,box) # 將轉180度后的圖像粘貼到原圖像

image.save("image_paste.jpg")

粘貼后原圖像變成 

 

---

 圖像的尺寸調整和旋轉 

尺寸調整方法為resize()，參數為一元組，指定調整后的大小，如resize((128,128))。
圖像旋轉的方法為rotate()，參數為旋轉角度（數值，單位為度）,逆時針方向，如rotate(45)`

from PIL import Image

image = Image.open("smallpi.jpg")

image_resize = image.resize((200,200)) # 尺寸調整
image_rotate = image.rotate(45) # 圖像旋轉
# image.transpose()也可以旋轉圖像，但只能旋轉90度的整數倍
# 參數為 Image.ROTATE_90 旋轉90度
# 180度，270度可類推

image_resize.save("image_resize.jpg")
image_rotate.save("image_rotate.jpg")

尺寸調整為200*200

 

圖像逆時針旋轉45度

 

---

 圖像直方圖 

圖像直方圖用來統計圖像中像素值的分布情況，即統計不同像素值出現的次數。方法為調用matplotlib.pyplot的hist方法，參數傳入圖像像素序列和統計區間個數。

from PIL import Image
import matplotlib.pyplot as plt
import matplotlib.cm as cm

#打開圖像，並轉化成灰度圖像
image = Image.open("smallpi.jpg").convert("L") 
image_array = np.array(image)

plt.subplot(2,1,1)
plt.imshow(image,cmap=cm.gray)
plt.axis("off")
plt.subplot(2,1,2)
plt.hist(image_array.flatten(),256) #flatten可以將矩陣轉化成一維序列
plt.show()

結果為

---

 灰度變換 

對於一張灰度圖像，其每個像素點都用一個0-255之間的值表示，0表示黑色，越接近0越黑；255表示白色，越接近255越白。
灰度變換就是通過一個特定的函數，使灰度值從一個值轉換成另外一個值。
這里列出3種灰度變換

1. 【反相】變換后的灰度值= 255−原灰度值

2.【轉換到100-200】變換后的灰度值 =(原灰度值/255)*100+100

3. 【像素平方】變換后的灰度值 = 255*(原灰度值/255)²

2

from PIL import Image
import matplotlib.pyplot as plt
import matplotlib.cm as cm

image = Image.open("smallpi.jpg").convert("L")
image_array = np.array(image)

x = np.arange(255)

# 反相
plt.subplot(3,2,1)
plt.plot(x,255-x) # 畫出變換函數圖像
plt.subplot(3,2,2)
plt.imshow(Image.fromarray(255-image_array),cmap=cm.gray)
plt.axis("off")

# 轉換到 100-200
plt.subplot(3,2,3)
plt.plot(x,(x/255.0)*100+100) # 畫出變換函數圖像
plt.subplot(3,2,4)
plt.imshow( Image.fromarray((image_array/255.0)*100+100), cmap=cm.gray )
plt.axis("off")

# 像素平方
plt.subplot(3,2,5)
plt.plot(x,255*(x/255.0)**2) # 畫出變換函數圖像
plt.subplot(3,2,6)
plt.imshow( Image.fromarray(255*(image_array/255.0)**2), cmap=cm.gray )
plt.axis("off")

plt.show()

  

`結果如下，（左邊是變換函數，右邊是圖像變換結果）

---

 直方圖均衡化 

由上面圖像的直方圖可以看出，一般情況下，圖像上某些灰度值較多，有些灰度值較少，直方圖均衡化為的是使灰度值較為均衡。

直方圖均衡化是利用直方圖的累積函數作為灰度變換函數，對圖像進行轉換。直方圖均衡化可以增強圖像的對比度。

累積函數和概率論中的累積分布函數類似。例如對於還有5個數的序列[1,2,3,4,5],其累積函數含有5個數，第一個數是1，第二個是1+2=3，……，第五個數是1+2+3+4+5=15，所以其累積函數是[1,3,6,10,15]。

我們把直方圖均衡化的過程封裝在一個函數里面，函數名字叫做histeq，輸入原圖像矩陣和直方圖分塊數，輸出均衡化后的圖像矩陣和累積函數。

import numpy as np 
from PIL import Image
import matplotlib.pyplot as plt
import matplotlib.cm as cm

def histeq(image_array,image_bins=256):
    
    # 將圖像矩陣轉化成直方圖數據，返回元組(頻數，直方圖區間坐標)
    image_array2,bins = np.histogram(image_array.flatten(),image_bins)

    # 計算直方圖的累積函數
    cdf = image_array2.cumsum()

    # 將累積函數轉化到區間[0,255]
    cdf = (255.0/cdf[-1])*cdf
    
    # 原圖像矩陣利用累積函數進行轉化，插值過程
    image2_array = np.interp(image_array.flatten(),bins[:-1],cdf)

    # 返回均衡化后的圖像矩陣和累積函數
    return image2_array.reshape(image_array.shape),cdf



image = Image.open("pika.jpg").convert("L") 
image_array = np.array(image)
plt.subplot(2,2,1)
plt.hist(image_array.flatten(),256)
plt.subplot(2,2,2)
plt.imshow(image,cmap=cm.gray)
plt.axis("off")

a = histeq(image_array)  # 利用剛定義的直方圖均衡化函數對圖像進行均衡化處理
plt.subplot(2,2,3)
plt.hist(a[0].flatten(),256)
plt.subplot(2,2,4)
plt.imshow(Image.fromarray(a[0]),cmap=cm.gray)
plt.axis("off")

plt.show()

 

 結果如下圖所示，第一行為原圖像直方圖和原圖像，第二行為均衡化后的直方圖和圖像。可以看出均衡化后圖像對比度增強了，原先灰色區域的細節變得清晰。