SciPy 图像处理

章节

图像处理和分析通常被看作是对二维值数组的操作。然而，在一些领域中，必须对高维数的图像进行处理分析，例如，医学成像和生物成像。由于对多维特性的良好支持，numpy非常适合这种类型的应用程序。scipy.ndimage包提供了许多通用的图像处理和分析功能，这些功能支持操作任意维度的数组。

scipy.ndimage中提供了图像矩阵变换、图像滤波、图像卷积等功能。

旋转图片

旋转图片，可以使用ndimage.rotate函数。

测试图片下载: face.png

示例

加载原图片

from scipy import ndimage

import matplotlib.image as mpimg

import matplotlib.pyplot as plt

# 加载图片

face = mpimg.imread('./face.png')

# 显示图片

plt.imshow(face)

# plt.savefig('./img2-1.png') # 保存要显示的图片

plt.show()

输出

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-NTwDVFBg-1571731533309)(https://www.qikegu.com/wp-content/uploads/2019/06/img2-1.png)]

示例

from scipy import ndimage

import matplotlib.image as mpimg

import matplotlib.pyplot as plt

# 加载图片

face = mpimg.imread('./face.png')

# 旋转图片

rotate_face = ndimage.rotate(face, 45)

plt.imshow(rotate_face)

# plt.savefig('./img3-1.png') # 保存要显示的图片

plt.show()

输出

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-roYeWLno-1571731533312)(https://www.qikegu.com/wp-content/uploads/2019/06/img3-1.png)]

图像滤波

图像滤波是一种修改/增强图像的技术。例如，可以通过图像滤波突出图像的某些特性，弱化或滤除图像的另一些特性。滤波有很多种，例如：平滑、锐化、边缘增强等等。

示例

对图像进行高斯滤波。高斯滤波是一种模糊滤波，广泛用于滤除图像噪声。

from scipy import ndimage

import matplotlib.image as mpimg

import matplotlib.pyplot as plt

# 加载图片

face = mpimg.imread('./face.png')

# 处理图片

face1 = ndimage.gaussian_filter(face, sigma=3)

# 显示图片

plt.imshow(face1)

# plt.savefig('./img4-1.png') # 保存要显示的图片

plt.show()

输出

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ri8BeFuk-1571731533317)(https://www.qikegu.com/wp-content/uploads/2019/06/img4-1.png)]

sigma=3表示模糊程度为3，我们可以通过调整sigma值，来比较图像质量的变化。

边缘检测

边缘检测是一种寻找图像中物体边界的图像处理技术。它的原理是通过检测图像中的亮度突变，来识别物体边缘。边缘检测在图像处理、计算机视觉、机器视觉等领域中广泛应用。

常用边缘检测算法包括：

Sobel
Canny
Prewitt
Roberts
Fuzzy Logic methods

让我们考虑下面的例子。

import scipy.ndimage as nd

import numpy as np

im = np.zeros((256, 256))

im[64:-64, 64:-64] = 1

im[90:-90,90:-90] = 2

im = nd.gaussian_filter(im, 8)

import matplotlib.pyplot as plt

plt.imshow(im)

# plt.savefig('./img5-1.png') # 保存要显示的图片

plt.show()

上面的程序将生成以下输出。

图像看起来像一个正方形的色块，我们将检测这些彩色块的边缘。这里使用ndimage的Sobel函数来检测图像边缘，该函数会对图像数组的每个轴分开操作，产生两个矩阵，然后我们使用NumPy中的Hypot函数将这两个矩阵合并为一个矩阵，得到最后结果。

示例

import scipy.ndimage as nd

import numpy as np

import matplotlib.pyplot as plt

im = np.zeros((256, 256))

im[64:-64, 64:-64] = 1

im[90:-90,90:-90] = 2

im = nd.gaussian_filter(im, 8)

sx = nd.sobel(im, axis = 0, mode = 'constant')

sy = nd.sobel(im, axis = 1, mode = 'constant')

sob = np.hypot(sx, sy)

plt.imshow(sob)

# plt.savefig('./img6-1.png') # 保存要显示的图片

plt.show()

上面的程序将生成以下输出。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-qc6G227y-1571731533323)(https://www.qikegu.com/wp-content/uploads/2019/06/img6-1.png)]