【医学图像处理】5 图像间基本操作（点、算数、几何操作）

  

1 点操作

  特点： 输入图像和输出图像是点对点的拷贝操作，这个拷贝过程中，灰度值会经过转换操作。这个转换操作可以是线性的也可以是非线性的。可表示成：

  应用： 对比度增强、对比度拉伸、图像灰度平移（调亮、调暗）、二值化、边缘线、切割。

  案例：线性点操作
  假设一副图像DA，进行线性点操作后得到Da,转换函数可表示为：Da=f(DA)=aDA+b
  a为对比度调节参数，如果a>1那么对比度将会提升（灰度值的差异），如果0   b为灰度值平移项，如果b>0，图像进行了整体调亮操作，如果b<0，图像整体进行调暗。
  案例：非线性点操作
  假设图像非常复杂，可能不是8位图像，可能为12位、16位，这种情况下，图像的像素值可能为-1000，+1000，这种情况下计算机可能只想关注其在正数范围内，因此需要对图像整个的灰度值进行压缩,例：f(x)=x+C（D_m-x）
  x是输入图像的灰度值；C为控制放大缩小的参数，即对比度系数；D_m为最大灰度值参数。
  x趋于中值的灰度值像素，有明显的变化；x趋于两端的灰度值的像素，变化比较微小。

2 代数（算数）操作

  特点： 两个（n个）图像，像素对像素的运算，生成第三（n+1）个图像。并且图像的大小要保持一致。可表示成：

2.1 加法操作

  （1）加法操作：①通过平均的方式来除噪声。能够去噪的原因是，自然界中的噪声都是Random存在的，做多张图像的平均可以实现噪声去除。例如通过高倍天文望远镜+摄像机，可以拍到夜空的星云，但是这些图像非常的不清晰，因为这些高倍放大的图像引入很多噪声，解决方法是在非常短的时间内，连续拍摄很多张图像，然后取这些图像的平均，就能得到清晰的图像。②多次曝光，同一图像中出现一个事物多次；③蓝屏摄影，在蓝屏下拍摄，将背景叠加在一起。

  API： cv.add(img1，img2)函数把两幅图像相加，或者可以通过numpy操作添加两个图像，如res=img1+img2.
  注意： OpenCV加法和numpy加法之间存在差异。OpenCV的加法操作是饱和操作，而numpy添加的是模运算。

import cv2
import matplotlib.pyplot as plt
import numpy as np
x=np.uint8([250])
y=np.uint8([10])
print(cv2.add(x,y))#250+10=260饱和操作变为255
print(x+y)#250+10=260取模操作变为4

  图像混合其实也是加法，但是不同的是两幅图像的权重不同，给人一种混合或者透明的感觉：
  g（x）=(1-α)f0(x)+aαf(x)
  API：cv2.addWeighted(img1,α，img2,β，γ)

import cv2
import matplotlib.pyplot as plt
import numpy as np

#1. 读取图像
img1=cv2.imread('rain.png')
img2=cv2.imread('view.png')

#2 图像混合
img=cv2.addWeighted(img1,0.3,img2,0.7,0)

# 3 显示图像

cv2.imshow('hunhe',img)
cv2.waitKey(0)

2.2 减法操作

  （2）减法操作：①通过减法操作去除背景。例如背景是一个固定的情况，前景是一个目标在运动，可以求取背景，通过减法操作抹去背景；②通过减法操作检测到目标运动；③求梯度，实际就是像素与像素之间减法操作操作。

2.3 乘法操作

  （3）乘法操作：通过算法已经能够求取最优二值化值，对图像进行二值化，得到感兴趣区域（二值图像），但是得到二值图像没有感兴趣区域的像素值信息，因此可以应用乘法操作，提取感兴趣区域的像素值信息。

2.4 除法操作

  （4）除法操作

3 几何操作

  目标： 改变图像空间坐标关系（平移、旋转…）。
  几何操作： 涉及空间转换（配准部分详细介绍）和灰度差值。

3.1 空间转换

3.1.1 平移变换

  （1）平移

  定义： 将图像按照指定方向和距离移动到相应的位置
  API： cv2.warpAffine(img,M,dsize)
  参数：
    img：输入图像
    M：2*3移动矩阵
      对于（x,y）处的像素点，要把
      它移动到（x+tx,y+ty）处时，矩阵M应该设置为：

      M为np.float32类型的Numpy数组。
    dsize：输出图像大小
  注意： 输出图像的大小，他应该是（宽度、高度）的形式。请记住，width=列数，height=行数

import cv2
import matplotlib.pyplot as plt
import numpy as np
#1. 读取图像
img=cv2.imread('view.png')
#2. 图像移动
print(img.shape)#(271, 271, 3)
#平移矩阵
M=np.float32([[1,0,100],[0,1,50]])
img2=cv2.warpAffine(img,M,(271, 271))

#3.显示图像
cv2.imshow('origin',img)
cv2.imshow('wrapAffine',img2)
cv2.waitKey(0)

3.1.2 旋转变换

  （2）旋转

  定义： 图像旋转，是指图像按照某个位置转动一定角度的过程，旋转中图像仍保持这原始尺寸。图像旋转后图像的水平对称轴、垂直对称轴及中心坐标原点都可能会发生变换，因此需要对图像旋转中的坐标进行相应转换。

  API：
  M=cv2.getRotationMetrix2D(Center,angle,scale)
  cv2.warpAffine(img,M,dsize)
  参数：
    Center：旋转中心
    angle：旋转角度
    scale：缩放比例

import cv2
import matplotlib.pyplot as plt
import numpy as np
#1. 读取图像
img=cv2.imread('view.png')

#2. 图像旋转
print(img.shape)#(271, 271, 3)
##2.1 旋转矩阵
M=cv2.getRotationMatrix2D((271/2,271/2),90,1)
##2.2 旋转，利用平移的API实现
img2=cv2.warpAffine(img,M,(271, 271))

#3.显示图像
cv2.imshow('origin',img)
cv2.imshow('rotion',img2)
cv2.waitKey(0)

3.1.3 缩放变换

  （3）缩放

  定义： 就是对图像的大小进行调整，即使图像放大或缩小
  API： cv2.resize(src,dsize,fx=0,fy=0,interpolation=cv2.INTER_LINEAR)
  参数：
    src：输入图像
    dsize：绝对尺寸，直接指定调整后图像的大小
    fx,fy:相对尺寸，将dsize设置为None,然后将fx,fy设置为比例因子。
  interpolation：差值方法

插值	含义
cv2.INTER_LINEAR	双线性差值
cv2.INTER_NEAREST	最近邻差值
cv2.INTER_AREA	像素区域重采样，默认
cv2.INTER_CUBIC	双三次插值

import cv2
import matplotlib.pyplot as plt
import numpy as np
#1. 读取图像
img=cv2.imread('view.png')
#2. 图像缩放
#  2.1 绝对尺寸
img1=cv2.resize(img,(250,250),interpolation=cv2.INTER_LINEAR)
#  2.2 相对尺寸
img2=cv2.resize(img,dsize=None,fx=0.8,fy=0.6)

#3.显示图像
cv2.imshow('origin',img)
cv2.imshow('juedui',img1)
cv2.imshow('xiangdui',img2)
cv2.waitKey(0)

  先放大再旋转和先旋转再放大的操作，得到的结果是相同的；先放大在平移和先平移在放大的操作，得到的结果是不一致的。

3.1.4 仿射变换

  定义： 图像仿射变换是深度学习预处理中常用的功能，仿射变换主要对图像的缩放、旋转、翻转和平移等操作的组合.
  API：
  M=cv2.getAffineTransform(pts1,pts2)
  cv2.warpAffine(img,M,dsize)
  参数：
    pts1：原图中的三个点
    pts1：变换后的三个点
  注意：仿射变换中，原图中所有不平先线在结果图像中同样平行。为了进行仿射变换，首先需要找到原图中三个点，以及仿射变换后的三个点，利用这两组点以及cv2.getAffineTransform()函数，求取2×3的仿射变换矩阵；之后仿射变换矩阵传入cv2.wrapAffine()函数，进行仿射变换。仿射变换的特点是，点线之间的关系在在原图中是一样的，但线的长度会发生变换、线与线之间的角度也会发生变化。

import cv2
import matplotlib.pyplot as plt
import numpy as np
#1. 读取图像
img=cv2.imread('view.png')

#2. 图像仿射变换
print(img.shape)#(271, 271, 3)
##2.1 放射变换矩阵
pts1=np.float32([[50,50],[200,50],[50,200]])
pts2=np.float32([[100,100],[200,50],[50,200]])
M=cv2.getAffineTransform(pts1,pts2)
##2.2 仿射变换
img2=cv2.warpAffine(img,M,(271, 271))

#3.显示图像
cv2.imshow('origin',img)
cv2.imshow('fangshe',img2)
cv2.waitKey(0)

3.1.5透射变换

  定义： 透射变换是视角变换的结果，是指利用透视中心、像点、目标点三点共线的条件，按透视旋转定律使承影面（透视面）绕迹线（透射轴）旋转某一角度，破坏原有的投影光束线，仍能保持承影面上投影几何图像不变的变换。


  API：
  T=cv2.getPerspectiveTransform(pts1,pts2)
  cv2.warpPerspective(img,T,dsize)
  参数：
    pts1：原图中的四个点
    pts2：透射变换后的四个点
  注意：在OpenCV中，我们要找到四个点，其中任意三个不共线，然后通过四个点和cv2.getPerspectiveTransform()获取透射变换矩阵T，在利用T进行透射变换。

import cv2
import matplotlib.pyplot as plt
import numpy as np
#1. 读取图像
img=cv2.imread('view.png')

#2. 图像透射变换
print(img.shape)#(271, 271, 3)
##2.1 透射变换矩阵
pts1=np.float32([[56,65],[268,42],[28,187],[189,190]])
pts2=np.float32([[100,145],[200,100],[80,190],[210,200]])
T=cv2.getPerspectiveTransform(pts1,pts2)
##2.2 透射变换
img2=cv2.warpPerspective(img,T,(271, 271))

#3.显示图像
cv2.imshow('origin',img)
cv2.imshow('toushe',img2)
cv2.waitKey(0)

3.2 图像差值

  差值：
  （1）最近邻差值：就是用最邻近的点的灰度值的拷贝，但是这种方式不真实，容易产生梯田效应。
  （2）线性差值：在差值的点和周围的点之间形成一个正方形，正方形中根据距离设定权重，计算灰度值叠加作为差值点的灰度值。
  （3）双线性差值