python skimage圖像處理(二)
This blog is from: https://www.jianshu.com/p/66e6261f0279
圖像簡單濾波
對圖像進行濾波，可以有兩種效果：一種是平滑濾波，用來抑制噪聲；另一種是微分算子，可以用來檢測邊緣和特征提取。
skimage庫中通過filters模塊進行濾波操作。
1、sobel算子
sobel算子可用來檢測邊緣
函數格式為：
skimage.filters.sobel(image, mask=None) from skimage import data,filters import matplotlib.pyplot as plt img = data.camera() edges = filters.sobel(img) plt.imshow(edges,plt.cm.gray) 
2、roberts算子
roberts算子和sobel算子一樣，用於檢測邊緣
調用格式也是一樣的：
edges = filters.roberts(img) 3、scharr算子
功能同sobel，調用格式：
edges = filters.scharr(img) 4、prewitt算子
功能同sobel，調用格式：
edges = filters.prewitt(img) 5、canny算子
canny算子也是用於提取邊緣特征，但它不是放在filters模塊，而是放在feature模塊
函數格式：
skimage.feature.canny(image，sigma=1.0) 可以修改sigma的值來調整效果
from skimage import data,filters,feature import matplotlib.pyplot as plt img = data.camera() edges1 = feature.canny(img) #sigma=1 edges2 = feature.canny(img,sigma=3) #sigma=3 plt.figure('canny',figsize=(8,8)) plt.subplot(121)plt.imshow(edges1,plt.cm.gray) plt.subplot(122)plt.imshow(edges2,plt.cm.gray) plt.show()
從結果可以看出，sigma越小，邊緣線條越細小。
6、gabor濾波
gabor濾波可用來進行邊緣檢測和紋理特征提取。
函數調用格式：
skimage.filters.gabor_filter(image, frequency) 通過修改frequency值來調整濾波效果，返回一對邊緣結果，一個是用真實濾波核的濾波結果，一個是想象的濾波核的濾波結果。
from skimage import data,filters import matplotlib.pyplot as plt img = data.camera() filt_real, filt_imag = filters.gabor_filter(img,frequency=0.6) plt.figure('gabor',figsize=(8,8)) plt.subplot(121) plt.title('filt_real') plt.imshow(filt_real,plt.cm.gray) plt.subplot(122) plt.title('filt-imag') plt.imshow(filt_imag,plt.cm.gray) plt.show() 
以上為frequency=0.6的結果圖。
以上為frequency=0.1的結果圖
7、gaussian濾波
多維的濾波器，是一種平滑濾波，可以消除高斯噪聲。
調用函數為：
skimage.filters.gaussian_filter(image, sigma) 通過調節sigma的值來調整濾波效果
from skimage import data,filters import matplotlib.pyplot as plt img = data.astronaut() edges1 = filters.gaussian_filter(img,sigma=0.4) #sigma=0.4 edges2 = filters.gaussian_filter(img,sigma=5) #sigma=5 plt.figure('gaussian',figsize=(8,8)) plt.subplot(121) plt.imshow(edges1,plt.cm.gray) plt.subplot(122) plt.imshow(edges2,plt.cm.gray) plt.show()
可見sigma越大，過濾后的圖像越模糊
8.median
中值濾波，一種平滑濾波，可以消除噪聲。
需要用skimage.morphology模塊來設置濾波器的形狀。
from skimage import data,filters import matplotlib.pyplot as plt from skimage.morphology import disk img = data.camera() edges1 = filters.median(img,disk(5)) edges2= filters.median(img,disk(9)) plt.figure('median',figsize=(8,8)) plt.subplot(121) plt.imshow(edges1,plt.cm.gray) plt.subplot(122) plt.imshow(edges2,plt.cm.gray) plt.show() 
從結果可以看出，濾波器越大，圖像越模糊。
9、水平、垂直邊緣檢測
上邊所舉的例子都是進行全部邊緣檢測，有些時候我們只需要檢測水平邊緣，或垂直邊緣，就可用下面的方法。
水平邊緣檢測：sobel_h, prewitt_h, scharr_h 垂直邊緣檢測： sobel_v, prewitt_v, scharr_v from skimage import data,filters import matplotlib.pyplot as plt img = data.camera() edges1 = filters.sobel_h(img) edges2 = filters.sobel_v(img) plt.figure('sobel_v_h',figsize=(8,8)) plt.subplot(121) plt.imshow(edges1,plt.cm.gray) plt.subplot(122) plt.imshow(edges2,plt.cm.gray) plt.show() 
上邊左圖為檢測出的水平邊緣，右圖為檢測出的垂直邊緣。
10、交叉邊緣檢測
可使用Roberts的十字交叉核來進行過濾，以達到檢測交叉邊緣的目的。這些交叉邊緣實際上是梯度在某個方向上的一個分量。
其中一個核：
0 1 -1 0 對應的函數：
roberts_neg_diag(image） 例：
from skimage import data,filters import matplotlib.pyplot as plt img =data.camera() dst =filters.roberts_neg_diag(img) plt.figure('filters',figsize=(8,8)) plt.subplot(121)plt.title('origin image') plt.imshow(img,plt.cm.gray) plt.subplot(122) plt.title('filted image') plt.imshow(dst,plt.cm.gray) 
另外一個核：
1 0 0 -1 對應函數為：
roberts_pos_diag(image） from skimage import data,filters import matplotlib.pyplot as plt img =data.camera() dst =filters.roberts_pos_diag(img) plt.figure('filters',figsize=(8,8)) plt.subplot(121) plt.title('origin image') plt.imshow(img,plt.cm.gray) plt.subplot(122) plt.title('filted image') plt.imshow(dst,plt.cm.gray) 
圖像自動閾值分割
圖像閾值分割是一種廣泛應用的分割技術，利用圖像中要提取的目標區域與其背景在灰度特性上的差異，把圖像看作具有不同灰度級的兩類區域(目標區域和背景區域)的組合，選取一個比較合理的閾值，以確定圖像中每個像素點應該屬於目標區域還是背景區域，從而產生相應的二值圖像。
在skimage庫中，閾值分割的功能是放在filters模塊中。
我們可以手動指定一個閾值，從而來實現分割。也可以讓系統自動生成一個閾值，下面幾種方法就是用來自動生成閾值。
1、threshold_otsu
基於Otsu的閾值分割方法，函數調用格式：
skimage.filters.threshold_otsu(image, nbins=256) 參數image是指灰度圖像，返回一個閾值。
from skimage import data,filters import matplotlib.pyplot as plt image = data.camera() thresh = filters.threshold_otsu(image) #返回一個閾值 dst =(image <= thresh)*1.0 #根據閾值進行分割 plt.figure('thresh',figsize=(8,8)) plt.subplot(121) plt.title('original image') plt.imshow(image,plt.cm.gray) plt.subplot(122) plt.title('binary image') plt.imshow(dst,plt.cm.gray) plt.show() 返回閾值為87，根據87進行分割得下圖:
2、threshold_yen
使用方法同上：
thresh = filters.threshold_yen(image) 返回閾值為198，分割如下圖：
3、threshold_li
使用方法同上：
thresh = filters.threshold_li(image) 返回閾值64.5，分割如下圖：
4、threshold_isodata
閾值計算方法：
threshold = (image[image <= threshold].mean() +image[image > threshold].mean()) / 2.0 使用方法同上：
thresh = filters.threshold_isodata(image) 返回閾值為87，因此分割效果和threshold_otsu一樣。
5、threshold_adaptive
調用函數為：
skimage.filters.threshold_adaptive(image, block_size, method='gaussian'） block_size: 塊大小，指當前像素的相鄰區域大小，一般是奇數（如3，5，7。。。）
method: 用來確定自適應閾值的方法，有'mean', 'generic', 'gaussian' 和 'median'。省略時默認為gaussian
該函數直接訪問一個閾值后的圖像，而不是閾值。
from skimage import data,filters import matplotlib.pyplot as plt image = data.camera() dst =filters.threshold_adaptive(image, 15) #返回一個閾值圖像 plt.figure('thresh',figsize=(8,8)) plt.subplot(121) plt.title('original image') plt.imshow(image,plt.cm.gray) plt.subplot(122) plt.title('binary image') plt.imshow(dst,plt.cm.gray) plt.show() 
大家可以修改block_size的大小和method值來查看更多的效果。如：
dst1 =filters.threshold_adaptive(image,31,'mean') dst2 =filters.threshold_adaptive(image,5,'median') 兩種效果如下：
基本圖形的繪制
圖形包括線條、圓形、橢圓形、多邊形等。
在skimage包中，繪制圖形用的是draw模塊，不要和繪制圖像搞混了。
1、畫線條
函數調用格式為：
skimage.draw.line(r1,c1,r2,c2) r1,r2: 開始點的行數和結束點的行數
c1,c2: 開始點的列數和結束點的列數
返回當前繪制圖形上所有點的坐標，如：
rr, cc =draw.line(1, 5, 8, 2) 表示從（1，5）到（8，2）連一條線，返回線上所有的像素點坐標[rr,cc]
from skimage import draw,data import matplotlib.pyplot as plt img=data.chelsea() rr, cc =draw.line(1, 150, 470, 450) img[rr, cc] =255 plt.imshow(img,plt.cm.gray) 
如果想畫其它顏色的線條，則可以使用set_color（）函數，格式為：
skimage.draw.set_color(img, coords, color) 例：
draw.set_color(img,[rr,cc],[255,0,0]) 則繪制紅色線條。
from skimage import draw,data import matplotlib.pyplot as plt img=data.chelsea() rr, cc =draw.line(1, 150, 270, 250) draw.set_color(img,[rr,cc],[0,0,255]) plt.imshow(img,plt.cm.gray) 
2、畫圓
函數格式：
skimage.draw.circle(cy, cx, radius） cy和cx表示圓心點，radius表示半徑
from skimage import draw,data import matplotlib.pyplot as plt img=data.chelsea() rr, cc=draw.circle(150,150,50) draw.set_color(img,[rr,cc],[255,0,0]) plt.imshow(img,plt.cm.gray) 
3、多邊形
函數格式：
skimage.draw.polygon(Y,X) Y為多邊形頂點的行集合，X為各頂點的列值集合。
from skimage import draw,data import matplotlib.pyplot as plt import numpy as np img=data.chelsea() Y=np.array([10,10,60,60]) X=np.array([200,400,400,200]) rr, cc=draw.polygon(Y,X) draw.set_color(img,[rr,cc],[255,0,0]) plt.imshow(img,plt.cm.gray) 
我在此處只設置了四個頂點，因此是個四邊形。
4、橢圓
格式：
skimage.draw.ellipse(cy, cx, yradius, xradius） cy和cx為中心點坐標，yradius和xradius代表長短軸。
from skimage import draw,data import matplotlib.pyplot as plt img=data.chelsea() rr, cc=draw.ellipse(150, 150, 30, 80) draw.set_color(img,[rr,cc],[255,0,0]) plt.imshow(img,plt.cm.gray) 
5、貝塞兒曲線
格式：
skimage.draw.bezier_curve(y1,x1,y2,x2,y3,x3,weight) y1,x1表示第一個控制點坐標
y2,x2表示第二個控制點坐標
y3,x3表示第三個控制點坐標
weight表示中間控制點的權重，用於控制曲線的彎曲度。
from skimage import draw,data import matplotlib.pyplot as plt img=data.chelsea() rr, cc=draw.bezier_curve(150,50,50,280,260,400,2) draw.set_color(img,[rr,cc],[255,0,0]) plt.imshow(img,plt.cm.gray) 
6、畫空心圓
和前面的畫圓是一樣的，只是前面是實心圓，而此處畫空心圓，只有邊框線。
格式：
skimage.draw.circle_perimeter(yx,yc,radius) yx,yc是圓心坐標，radius是半徑
from skimage import draw,data import matplotlib.pyplot as plt img=data.chelsea() rr, cc=draw.circle_perimeter(150,150,50) draw.set_color(img,[rr,cc],[255,0,0]) plt.imshow(img,plt.cm.gray) 
7、空心橢圓
格式：
skimage.draw.ellipse_perimeter(cy, cx, yradius, xradius） cy,cx表示圓心
yradius,xradius表示長短軸
from skimage import draw,data import matplotlib.pyplot as plt img=data.chelsea() rr, cc=draw.ellipse_perimeter(150, 150, 30, 80) draw.set_color(img,[rr,cc],[255,0,0]) plt.imshow(img,plt.cm.gray) 
基本形態學濾波
對圖像進行形態學變換。變換對象一般為灰度圖或二值圖，功能函數放在morphology子模塊內。
1、膨脹（dilation)
原理：一般對二值圖像進行操作。找到像素值為1的點，將它的鄰近像素點都設置成這個值。1值表示白，0值表示黑，因此膨脹操作可以擴大白色值范圍，壓縮黑色值范圍。一般用來擴充邊緣或填充小的孔洞。
功能函數：
skimage.morphology.dilation(image, selem=None） selem表示結構元素，用於設定局部區域的形狀和大小。
from skimage import data import skimage.morphology as sm import matplotlib.pyplot as plt img=data.checkerboard() dst1=sm.dilation(img,sm.square(5)) #用邊長為5的正方形濾波器進行膨脹濾波 dst2=sm.dilation(img,sm.square(15)) #用邊長為15的正方形濾波器進行膨脹濾波 plt.figure('morphology',figsize=(8,8)) plt.subplot(131) plt.title('origin image') plt.imshow(img,plt.cm.gray) plt.subplot(132) plt.title('morphological image') plt.imshow(dst1,plt.cm.gray) plt.subplot(133) plt.title('morphological image') plt.imshow(dst2,plt.cm.gray) 分別用邊長為5或15的正方形濾波器對棋盤圖片進行膨脹操作，結果如下：
可見濾波器的大小，對操作結果的影響非常大。一般設置為奇數。
除了正方形的濾波器外，濾波器的形狀還有一些，現列舉如下：
morphology.square: 正方形 morphology.disk: 平面圓形 morphology.ball: 球形 morphology.cube: 立方體形 morphology.diamond: 鑽石形 morphology.rectangle: 矩形 morphology.star: 星形 morphology.octagon: 八角形 morphology.octahedron： 八面體 注意，如果處理圖像為二值圖像（只有0和1兩個值），則可以調用：
skimage.morphology.binary_dilation(image, selem=None） 用此函數比處理灰度圖像要快。
2、腐蝕（erosion)
函數：
skimage.morphology.erosion(image, selem=None） selem表示結構元素，用於設定局部區域的形狀和大小。
和膨脹相反的操作，將0值擴充到鄰近像素。擴大黑色部分，減小白色部分。可用來提取骨干信息，去掉毛刺，去掉孤立的像素。
from skimage import data import skimage.morphology as sm import matplotlib.pyplot as plt img=data.checkerboard() dst1=sm.erosion(img,sm.square(5)) #用邊長為5的正方形濾波器進行膨脹濾波 dst2=sm.erosion(img,sm.square(25)) #用邊長為25的正方形濾波器進行膨脹濾波 plt.figure('morphology',figsize=(8,8)) plt.subplot(131) plt.title('origin image') plt.imshow(img,plt.cm.gray) plt.subplot(132) plt.title('morphological image') plt.imshow(dst1,plt.cm.gray) plt.subplot(133) plt.title('morphological image') plt.imshow(dst2,plt.cm.gray) 
注意，如果處理圖像為二值圖像（只有0和1兩個值），則可以調用：
skimage.morphology.binary_erosion(image, selem=None） 用此函數比處理灰度圖像要快。
3、開運算（opening)
函數：
skimage.morphology.openning(image, selem=None） selem表示結構元素，用於設定局部區域的形狀和大小。
先腐蝕再膨脹，可以消除小物體或小斑塊。
from skimage import io,color import skimage.morphology as sm import matplotlib.pyplot as plt img=color.rgb2gray(io.imread('d:/pic/mor.png')) dst=sm.opening(img,sm.disk(9)) #用邊長為9的圓形濾波器進行膨脹濾波 plt.figure('morphology',figsize=(8,8)) plt.subplot(121) plt.title('origin image') plt.imshow(img,plt.cm.gray) plt.axis('off') plt.subplot(122) plt.title('morphological image') plt.imshow(dst,plt.cm.gray) plt.axis('off') 
注意，如果處理圖像為二值圖像（只有0和1兩個值），則可以調用：
skimage.morphology.binary_opening(image, selem=None） 用此函數比處理灰度圖像要快。
4、閉運算（closing)
函數：
skimage.morphology.closing(image, selem=None） selem表示結構元素，用於設定局部區域的形狀和大小。
先膨脹再腐蝕，可用來填充孔洞。
from skimage import io,color import skimage.morphology as sm import matplotlib.pyplot as plt img=color.rgb2gray(io.imread('d:/pic/mor.png')) dst=sm.closing(img,sm.disk(9)) #用邊長為5的圓形濾波器進行膨脹濾波 plt.figure('morphology',figsize=(8,8)) plt.subplot(121) plt.title('origin image') plt.imshow(img,plt.cm.gray) plt.axis('off') plt.subplot(122) plt.title('morphological image') plt.imshow(dst,plt.cm.gray) plt.axis('off') 
注意，如果處理圖像為二值圖像（只有0和1兩個值），則可以調用：
skimage.morphology.binary_closing(image, selem=None） 用此函數比處理灰度圖像要快。
5、白帽（white-tophat)
函數：
skimage.morphology.white_tophat(image, selem=None） selem表示結構元素，用於設定局部區域的形狀和大小。
將原圖像減去它的開運算值，返回比結構化元素小的白點
from skimage import io,color import skimage.morphology as sm import matplotlib.pyplot as plt img=color.rgb2gray(io.imread('d:/pic/mor.png')) dst=sm.white_tophat(img,sm.square(21)) plt.figure('morphology',figsize=(8,8)) plt.subplot(121)plt.title('origin image') plt.imshow(img,plt.cm.gray) plt.axis('off') plt.subplot(122) plt.title('morphological image') plt.imshow(dst,plt.cm.gray) plt.axis('off') 
6、黑帽（black-tophat)
函數：
skimage.morphology.black_tophat(image, selem=None） selem表示結構元素，用於設定局部區域的形狀和大小。
將原圖像減去它的閉運算值，返回比結構化元素小的黑點，且將這些黑點反色。
from skimage import io,color import skimage.morphology as sm import matplotlib.pyplot as plt img=color.rgb2gray(io.imread('d:/pic/mor.png')) dst=sm.black_tophat(img,sm.square(21)) plt.figure('morphology',figsize=(8,8)) plt.subplot(121) plt.title('origin image') plt.imshow(img,plt.cm.gray) plt.axis('off') plt.subplot(122) plt.title('morphological image') plt.imshow(dst,plt.cm.gray) plt.axis('off') 
高級濾波
本文提供更多更強大的濾波方法，這些方法放在filters.rank子模塊內。
這些方法需要用戶自己設定濾波器的形狀和大小，因此需要導入morphology模塊來設定。
1、autolevel
這個詞在photoshop里面翻譯成自動色階，用局部直方圖來對圖片進行濾波分級。
該濾波器局部地拉伸灰度像素值的直方圖，以覆蓋整個像素值范圍。
格式：
skimage.filters.rank.autolevel(image, selem） selem表示結構化元素，用於設定濾波器。
from skimage import data,color import matplotlib.pyplot as plt from skimage.morphology import disk import skimage.filters.rank as sfr img =color.rgb2gray(data.lena()) auto =sfr.autolevel(img, disk(5)) #半徑為5的圓形濾波器 plt.figure('filters',figsize=(8,8)) plt.subplot(121) plt.title('origin image') plt.imshow(img,plt.cm.gray) plt.subplot(122) plt.title('filted image') plt.imshow(auto,plt.cm.gray)
2、bottomhat 與 tophat
bottomhat: 此濾波器先計算圖像的形態學閉運算，然后用原圖像減去運算的結果值，有點像黑帽操作。
bophat: 此濾波器先計算圖像的形態學開運算，然后用原圖像減去運算的結果值，有點像白帽操作。
格式：
skimage.filters.rank.bottomhat(image, selem） skimage.filters.rank.tophat(image, selem） selem表示結構化元素，用於設定濾波器。
下面是bottomhat濾波的例子：
from skimage import data,color import matplotlib.pyplot as plt from skimage.morphology import disk import skimage.filters.rank as sfr img =color.rgb2gray(data.lena()) auto =sfr.bottomhat(img, disk(5)) #半徑為5的圓形濾波器 plt.figure('filters',figsize=(8,8)) plt.subplot(121) plt.title('origin image') plt.imshow(img,plt.cm.gray) plt.subplot(122) plt.title('filted image') plt.imshow(auto,plt.cm.gray) 
3、enhance_contrast
對比度增強。求出局部區域的最大值和最小值，然后看當前點像素值最接近最大值還是最小值，然后替換為最大值或最小值。
函數：
enhance_contrast(image, selem） selem表示結構化元素，用於設定濾波器。
from skimage import data,color import matplotlib.pyplot as plt from skimage.morphology import disk import skimage.filters.rank as sfr img =color.rgb2gray(data.lena()) auto =sfr.enhance_contrast(img, disk(5)) #半徑為5的圓形濾波器plt.figure('filters',figsize=(8,8)) plt.subplot(121) plt.title('origin image') plt.imshow(img,plt.cm.gray) plt.subplot(122) plt.title('filted image') plt.imshow(auto,plt.cm.gray) 
4、entropy
求局部熵，熵是使用基為2的對數運算出來的。該函數將局部區域的灰度值分布進行二進制編碼，返回編碼的最小值。
函數格式：
entropy(image, selem） selem表示結構化元素，用於設定濾波器。
from skimage import data,color import matplotlib.pyplot as plt from skimage.morphology import disk import skimage.filters.rank as sfr img =color.rgb2gray(data.lena()) dst =sfr.entropy(img, disk(5)) #半徑為5的圓形濾波器 plt.figure('filters',figsize=(8,8)) plt.subplot(121) plt.title('origin image') plt.imshow(img,plt.cm.gray) plt.subplot(122) plt.title('filted image') plt.imshow(dst,plt.cm.gray)
5、equalize
均衡化濾波。利用局部直方圖對圖像進行均衡化濾波。
函數格式：
equalize(image, selem） selem表示結構化元素，用於設定濾波器。
from skimage import data,color import matplotlib.pyplot as plt from skimage.morphology import disk import skimage.filters.rank as sfr img =color.rgb2gray(data.lena()) dst =sfr.equalize(img, disk(5)) #半徑為5的圓形濾波器 plt.figure('filters',figsize=(8,8)) plt.subplot(121) plt.title('origin image') plt.imshow(img,plt.cm.gray) plt.subplot(122) plt.title('filted image') plt.imshow(dst,plt.cm.gray) 
6、gradient
返回圖像的局部梯度值（如：最大值-最小值），用此梯度值代替區域內所有像素值。
函數格式：
gradient(image, selem） selem表示結構化元素，用於設定濾波器。
from skimage import data,color import matplotlib.pyplot as plt from skimage.morphology import disk import skimage.filters.rank as sfr img =color.rgb2gray(data.lena()) dst =sfr.gradient(img, disk(5)) #半徑為5的圓形濾波器 plt.figure('filters',figsize=(8,8)) plt.subplot(121)plt.title('origin image') plt.imshow(img,plt.cm.gray) plt.subplot(122)plt.title('filted image') plt.imshow(dst,plt.cm.gray) 
7、其它濾波器
濾波方式很多，下面不再一一詳細講解，僅給出核心代碼，所有的函數調用方式都是一樣的。
最大值濾波器（maximum):返回圖像局部區域的最大值，用此最大值代替該區域內所有像素值。
dst =sfr.maximum(img, disk(5)) 最小值濾波器（minimum)：返回圖像局部區域內的最小值，用此最小值取代該區域內所有像素值。
dst =sfr.minimum(img, disk(5)) 均值濾波器（mean) : 返回圖像局部區域內的均值，用此均值取代該區域內所有像素值。
dst =sfr.mean(img, disk(5)) 中值濾波器（median): 返回圖像局部區域內的中值，用此中值取代該區域內所有像素值。
dst =sfr.median(img, disk(5)) 莫代爾濾波器（modal) : 返回圖像局部區域內的modal值，用此值取代該區域內所有像素值。
dst =sfr.modal(img, disk(5)) otsu閾值濾波（otsu): 返回圖像局部區域內的otsu閾值，用此值取代該區域內所有像素值。
dst =sfr.otsu(img, disk(5)) 閾值濾波（threshhold): 將圖像局部區域中的每個像素值與均值比較，大於則賦值為1，小於賦值為0，得到一個二值圖像。
dst =sfr.threshold(img, disk(5)) 減均值濾波（subtract_mean): 將局部區域中的每一個像素，減去該區域中的均值。
dst =sfr.subtract_mean(img, disk(5)) 求和濾波（sum) :求局部區域的像素總和，用此值取代該區域內所有像素值。
dst =sfr.sum(img, disk(5)) 參考文獻
python數字圖像處理