一文总结Python数字图像处理基础知识与前沿应用
介绍
数字图像处理由涉及在计算机上处理图像的各种技术和方法组成。对图像进行各种类型的操作，构成数字图像处理。
了解图像实际上是什么
图像基本上是二维信号。信号函数是 f(x,y)，其中 x 和 y 在某个点的值生成该点的像素。图像基本上是一个由 0 到 255 之间的数字组成的二维数组。
图像处理涉及多种因素。图像处理有几个主要动机。
图像处理帮助
改进我们存储的数字信息。
使图像处理自动化。
更好的图像优化，实现高效的存储和传输。
这些年来，图像处理有了很大的进步，图像处理的现代商业应用也很多。
图像处理用途
1. 图像校正、锐化和分辨率校正
通常，我们希望我们可以将旧图像做得更好。这在今天是可能的。缩放、锐化、边缘检测、高动态范围编辑都属于这一类。所有这些步骤都有助于增强图像。大多数编辑软件和图像校正代码都可以轻松完成这些操作。
2. 编辑应用程序和社交媒体的过滤器
如今，大多数编辑应用程序和社交媒体应用程序都提供过滤器。
以上是原始图像和过滤后的图像的示例。滤镜使图像看起来更具视觉吸引力。滤镜通常是一组函数，可以更改图像中的颜色和其他方面，使图像看起来不同。过滤器是图像处理的一个有趣应用。
3. 医疗技术
在医学领域，图像处理用于各种任务，如 PET 扫描、X 射线成像、医学 CT、紫外线成像、癌细胞图像处理等等。将图像处理引入医疗技术领域极大地改善了诊断过程。
左边的图像是原始图像。右边的图像是经过处理的图像。我们可以看到处理后的图像要好得多，可以用于更好的诊断。
4. 计算机/机器视觉
图像处理最有趣和最有用的应用之一是计算机视觉。计算机视觉用于使计算机看到、识别事物，并将整个环境作为一个整体进行处理。计算机视觉的一个重要用途是自动驾驶汽车、无人机等。CV 有助于障碍物检测、路径识别和理解环境。
这就是典型的计算机视觉对汽车自动驾驶仪的工作方式。计算机接收实时镜头并分析其他汽车、道路和其他障碍物。
5. 模式识别
模式识别是图像处理的一部分，涉及人工智能和机器学习。图像处理用于找出图像中的各种模式和方面。模式识别用于手写分析、图像识别、计算机辅助医疗诊断等。
6. 视频处理
视频基本上是图像的快速移动。视频处理中使用了各种图像处理技术。视频处理的一些方法是噪声去除、图像稳定、帧速率转换、细节增强等等。
Python 图像处理入门
让我们从 Python 中的一些基本图像相关任务开始。我们将使用 PIL。
PIL：https://pypi.org/project/Pillow/
Python 图像库用于各种图像处理任务。
安装
pip install pillow
安装了PIL后，我们现在可以转到代码了。
首先，我们使用一些 matplotlib 函数。
import matplotlib.image as img
import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline
将读取以下图像。它被命名为 image1.jpg。
# reading jpg image
img = img.imread('image1.jpg')
plt.imshow(img)
图像被读取。
# modifying the shape of the image
lum1 = img[:, :, 0]
plt.imshow(lum1)
现在修改了图像形状。
现在我们将其更改为“热”颜色图。
要了解有关颜色图的更多信息，请访问此链接：https://matplotlib.org/stable/tutorials/colors/colormaps.html。
plt.imshow(lum1, cmap ='hot')
plt.colorbar()
图像输出看起来：
现在我们尝试不同的颜色图。
imgplot = plt.imshow(lum1)
imgplot.set_cmap('nipy_spectral')
图像输出：
使用颜色图的原因是，通常在各种应用程序和用途中，拥有统一的颜色图会有所帮助。阅读有关颜色图的更多信息：在 Matplotlib 中选择颜色图 https://matplotlib.org/stable/tutorials/colors/colormaps.html。
现在让我们看看为什么我们将图像称为二维数组。
#data type of lum1
print(type(lum1))
输出：
print(lum1)
[[ 92 91 89 … 169 168 169]
[110 110 110 … 168 166 167]
[100 103 108 … 164 163 164]
…
[ 97 96 95 … 144 147 147]
[ 99 99 98 … 145 139 138]
[102 102 103 … 149 137 137]]
这些点只是为了表明它们之间还有更多的数据点。但是可以肯定的是，所有数据都是数字数据。
让我们找出数组的大小。
len(lum1)
输出：320
len(lum1[300])
输出：658
这为我们提供了图像的像素数和尺寸：320*658。
我们稍后也会验证这一点。
现在，我们使用 PIL。
from PIL import Image
我们将使用这个图像文件，命名为：people.jpg。
img2 = Image.open('people.jpg')
plt.imshow(img2)
图像被读取。
现在，我们调整图像大小。
img2.thumbnail((50, 50), Image.ANTIALIAS) # resizes image in-place
imgplot = plt.imshow(img2)
imgplot1 = plt.imshow(img2, interpolation="nearest")
imgplot2 = plt.imshow(img2, interpolation="bicubic")
但是，为什么我们在图像处理中故意模糊图像？通常对于模式识别和计算机视觉算法，如果图像非常清晰，处理起来就会很困难。因此进行模糊处理以使图像平滑。模糊还可以使图像中的颜色过渡从一侧到另一侧更加平滑。
现在，让我们验证我们之前处理过的汽车图像的尺寸。
#some more interesting stuff
file='image1.jpg'
with Image.open(file) as image:
width, height = image.size
#Image width, height is be obtained
这些也是我们之前得到的维度。所以我们可以得出结论，图像是320*658。
让我们也尝试旋转和转置图像。
#Relative Path
img3 = Image.open("image1.jpg")
#Angle given
img_rot= img3.rotate(180)
#Saved in the same relative location
img_rot.save("rotated_picture.jpg")
这是旋转后的图像。
#transposing image
transposed_img = img3.transpose(Image.FLIP_LEFT_RIGHT)
#Saved in the same relative location
transposed_img.save("transposed_img.jpg")
这是转置后的图像。
尾注
图像处理有各种重要的应用，随着时间的推移，方法和过程也会得到改进。
☆ END ☆
如果看到这里，说明你喜欢这篇文章，请转发、点赞。微信搜索「uncle_pn」，欢迎添加小编微信「 mthler」，每日朋友圈更新一篇高质量博文。
↓扫描二维码添加小编↓
