【python】图像数据预处理

安装cv2

pip install -i https://pypi.douban.com/simple opencv-python

1. 基本操作

（1）用opencv读取图像
代码

import cv2
# 读取一幅图像 第一个参数是图像路径
# 第二个参数代表读取方式，1表示3通道彩色，0表示单通道灰度
im = cv2.imread(r"emo1.jpg", 1)
# 在“test”窗口显示图像im
cv2.imshow("test", im)
# 等待用户按键反馈
cv2.waitKey()

（2）打印图像数据的类型和图像的尺寸
代码

# 打印图像数据的数据结构类型
print(type(im))
# 打印图像的尺寸
print(im.shape)

运行结果

输出了图像的数据类型和图像的尺寸，328×447×3表示是一个三通道的彩色图像。
（3）将图像保存到指定的路径
代码

# 将图像保存到指定路径
cv2.imwrite('emo.jpg', im)

返回True表示图像保存成功

2. 颜色空间转换

（1）彩色图像灰度化
使用opencv里的cvtColor将图像变成灰度图像，再显示这幅灰度图
代码

import cv2
im = cv2.imread(r"emo1.jpg")
cv2.imshow("Gray0", im)
# 使用opencv里的cvtColor进行颜色空间变化 cv2.COLOR_BGR2GRAY 代表 BGR to gray
img_gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
cv2.imshow("Gray1", img_gray)
cv2.waitKey()

运行结果
这是原始图像

这是变换后的灰度图像

（2）更换三通道顺序BGR为RGB
可以转换三个通道的顺序，将一个BGR的彩色图像转换成一个RBG的彩色图像，同样调用的是opencv里的cvtColor
代码

import cv2
im = cv2.imread(r"emo1.jpg")
cv2.imshow("BRG", im)
# 使用opencv里的cvtColor进行颜色空间变化 cv2.COLOR_BGR2RGB 代表 BGR to RGB
im_rgb = cv2.cvtColor(im, cv2.COLOR_BGR2RGB)
#当图像数据为3通道时，imshow函数认为数据是BGR的
#使用imshow显示RGB数据，会发现图片显示颜色畸变
cv2.imshow("RGB", im_rgb)
cv2.waitKey()

运行结果
这是原始图像

这是图像转换后的一个结果

（3）BGR和HSV颜色空间转换
把一个BGR的图像转换成一个HSV的彩色图像
代码

import cv2
im = cv2.imread(r"emo1.jpg")
cv2.imshow("BRG", im)
# 使用opencv里的cvtColor进行颜色空间变化 cv2.COLOR_BGR2HSV 代表 BGR to HSV
im_rgb = cv2.cvtColor(im, cv2.COLOR_BGR2HSV)
#当图像数据为3通道时，imshow函数认为数据是BGR的
#使用imshow显示HSV数据，会将HSV分量强行当做BGR进行显示
cv2.imshow("RGB", im_rgb)
cv2.waitKey()

运行结果
这是原始图像

这是转换的结果

3. 坐标变换

（1）图像的平移
A.定义平移的函数
a.首先需要获取图像的一个尺寸
b.然后再定义平移的一个矩阵
c.再调用仿射变换的函数实现图像平移（需要指定三个参数，第一个是输入图像，第二个是平移矩阵，第三个是获取图像的一个尺寸）
B.调用定义的平移函数来对图像进行平移操作
代码

import numpy as np
import cv2
# 定义平移translate函数
def translate(img, x, y):
    #获取图像尺寸
    (h, w) = img.shape[:2]
    #定义平移矩阵
    M = np.float32([[1, 0, x], [0, 1, y]])
    #使用OpenCV仿射变换函数实现平移操作
    shifted = cv2.warpAffine(img, M, (w, h))
    #返回转换后的图像
    return shifted
# 加载图像并显示
im = cv2.imread("emo1.jpg")
cv2.imshow("Orig", im)
# 对原图做平移操作
# 下移50像素
shifted = translate(im, 0, 50)
cv2.imshow("Shift1", shifted)
# 左移100像素
shifted = translate(im, -100, 0)
cv2.imshow("Shift2", shifted)
# 右移50，下移100像素
shifted = translate(im, 50, 100)
cv2.imshow("Shift3", shifted)
cv2.waitKey()

运行结果
这是原始图像

这是不同的平移尺寸后的效果

（2）图像的旋转
A.定义一个旋转的函数
a.获取图像的尺寸
b.如果旋转中心值缺失的话，就把旋转中心定义为图像的中心
c.然后调用opencv当中的getRotationMatrix2D计算旋转矩阵
d.然后我们再用opencv当中的仿射变换函数实现旋转操作
代码

import numpy as np
import cv2
# 定义旋转rotate函数
def rotate(img, angle, center = None, scale = 0.7):
    # 获取图像尺寸
    (h, w) = img.shape[:2]
    # 旋转中心的缺失值为图像中心
    if center is None:
        center = (w/2, h/2)
    # 调用计算旋转矩阵函数
    M = cv2.getRotationMatrix2D(center, angle, scale)
    # 使用opencv仿射变换函数实现旋转操作
    rotated = cv2.warpAffine(img, M, (w, h))
    # 返回旋转后的图像
    return rotated

im = cv2.imread("emo1.jpg")
cv2.imshow("Orig", im)

# 对原图像做旋转操作
# 逆时针45度
rotated = rotate(im, 45)
cv2.imshow("Rotatel", rotated)
# 顺时针20度
rotated = rotate(im, -20)
cv2.imshow("Rotate2", rotated)
# 逆时针90度
rotated = rotate(im, 90)
cv2.imshow("Rotate3", rotated)

cv2.waitKey()

运行结果
这是原图

这是将图片逆时针旋转45度的效果

这是顺时针旋转45度的效果

这是将图片逆时针旋转90度的效果

（3）图像的镜像
调用opencv中的flip来实现图像镜像，需要传入两个参数，第一个参数是要读取的图像，第二个参数如果是零的话代表水平镜像，如果是一的话代表执行垂直镜像
代码

import numpy as np
import cv2
im = cv2.imread("emo1.jpg")
cv2.imshow("orig", im)
# 进行水平镜像
im_flip0 = cv2.flip(im, 0)
cv2.imshow("flip vertical", im_flip0)
# 进行垂直镜像
im_flip1 = cv2.flip(im, 1)
cv2.imshow("flip horizontal", im_flip1)

cv2.waitKey()

运行结果
这是图像水平镜像和垂直镜像后的效果

（4）图像的缩放
实现缩放变换，首先要获取整个图像的一个尺寸，然后再定义目标缩放尺寸，用opencv里面的resize对图像进行缩放，需要实例化三个参数。第一个是需要缩放的图像，第二是播放后图像的尺寸，第三个是插值的方法，这里使用的是最邻近插值法，也可以用双线性插值法进行缩放。
代码

import numpy as np
import cv2
im = cv2.imread("emo1.jpg")
cv2.imshow("orig", im)
# 获取图像尺寸
(h, w) = im.shape[:2]
# 缩放的目标尺寸
dst_size = (200, 300)
# 最邻近插值
method = cv2.INTER_NEAREST
# 进行缩放
resized = cv2.resize(im, dst_size, interpolation = method)
cv2.imshow("resized1", resized)
# 缩放的目标尺寸
dst_size = (800,600)
# 双线性插值
method = cv2.INTER_LINEAR
# 进行缩放
resized = cv2.resize(im, dst_size, interpolation = method)
cv2.imshow("resized2", resized)

cv2.waitKey()

运行结果
这是原始的图像

这是用最邻近插值法缩放后的图像

这是用双线性插值法缩放后的图像

4.灰度变换

首先定义一个线性灰度变换的函数，输入包括原始图像k值
（1）如果k的取值范围在0~1的范围内就对灰度值进行压缩
（2）如果k的取值范围大于1的话，就对灰度值进行拉伸
（3）如果k=-1且b=255的话，就对图像进行灰度反转
代码

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

#定义线性灰度变化函数
#k>1时实现灰度数值的拉伸
#0
#k=-l b=255 实现灰度反转
def linear_trans(img, k, b=0):
    #计算灰度线性变换的映射表
    trans_list = [(np.float32(x)*k+b) for x in range(256)]
    #将列表转换为np.array
    trans_table = np.array(trans_list)
    #将超过[0,245]灰度范围的数值进行调整，并指定数据类型为uint8
    trans_table[trans_table>255] = 255
    trans_table[trans_table<0] = 0
    trans_table = np.round(trans_table).astype(np.uint8)
    #使用opencv的look up table函数修改图像的灰度值
    return cv2.LUT(img, trans_table)
im = cv2.imread("emo1.jpg")
cv2.imshow("orig", im)
# 反转
im_inversion = linear_trans(im, -1, 255)
cv2.imshow("inversion", im_inversion)
# 灰度拉伸
im_stretch = linear_trans(im, 1.2)
cv2.imshow("garystrech", im_stretch)
# 灰度压缩
im_compress = linear_trans(im, 0.8)
cv2.imshow("graycompress", im_compress)

cv2.waitKey()

运行结果
这是原始图像

这是我们对图像进行灰度压缩后的效果，可以看到图像的对比度降低了

这是灰度拉伸的效果，图像的对比度增强了

这是灰度反转的一个效果图

5. 伽玛变换

首先定义一个伽玛的变换函数，首先将图片当中的灰度值全都归一化到0-1的范围内，然后执行伽马变换，最后再将图像的灰度值恢复到0~255的范围之内
代码

import numpy as np
import cv2
from matplotlib import pyplot as plt
# 定义伽马变化函数
def gamma_trans(img, gamma):
    #先归一化到1，做伽马计算，再还原到[0,255]
    gamma_list = [np.power(x/255.0, gamma) * 255 for x in range(256)]
    #将列表转换为np.array，并指定数据类型为uint8
    gamma_table = np.round(np.array(gamma_list)).astype(np.uint8)
    #使用opencv的look up table函数修改图像的灰度值
    return cv2.LUT(img, gamma_table)
im = cv2.imread("emo1.jpg", 0)
cv2.imshow("orig", im)
# 使用伽玛值为0.5的变化，实现对暗部的拉伸，亮部的压缩
img_gamma05 = gamma_trans(im, 0.5)
cv2.imshow("gamma0.5", img_gamma05)
# 使用伽玛值为2的变化，实现对暗部的压缩，亮部的拉伸
img_gamma2 = gamma_trans(im, 2)
cv2.imshow("gamma2", img_gamma2)

cv2.waitKey()

运行结果
原始图像

这是通过伽玛等于0.5后的伽玛变化的结果，可以看到图像的暗部灰度值的动态范围是被拉伸了的，图像亮度灰度值的动态范围被压缩

这是做伽玛等于2的伽玛变化后的结果，可以看到亮部灰度值的动态范围被拉伸，而暗部灰度值的动态范围被压缩，所以整个画面会显得比较暗。

6. 基于直方图的灰度变化

可以用pyplot绘制图像的直方图，直方图当中灰度级的动态范围是从0~255，一共有256个灰度级。
代码

import cv2
from matplotlib import pyplot as plt
# 读取并显示图像
im = cv2.imread("emo1.jpg", 0)
cv2.imshow("orig", im)

# 绘制灰度图像的直方图
plt.hist(im.ravel(), 256, [0,256])
plt.show()

cv2.waitKey()

运行结果
这是原始图像以及原始图像对应的直方图


可以调用opencv当中的equalizeHist对图像进行直方图均衡化
代码

# import cv2
from matplotlib import pyplot as plt
im = cv2.imread("emo1.jpg", 0)
cv2.imshow("orig", im)

# 调用opencv的直方图均衡化API
im_equl = cv2.equalizeHist(im)
cv2.imshow("equal", im_equl)

# 显示原始图像的直方图
plt.subplot(2, 1, 1)
plt.hist(im.ravel(), 256, [0,256], label="orig")
plt.legend()

# 显示均衡化图像的直方图
plt.subplot(2, 1, 2)
plt.hist(im_equl.ravel(), 256, [0,256], label="equalize")
plt.legend()
plt.show()

cv2.waitKey()

运行结果
这是对原始图像进行直方图均值化后的图像

这是其对应的直方图，可以看到图像整个的对比度被增强了，暗处的一些细节信息更明显了

7. 图像滤波

（1）中值滤波器
可以调用opencv当中的medianBlur这个API对图像进行中值滤波。需要实例化两个参数，第一个是输入的图像，第二个是中值滤波器的大小，5代表中值滤波器的大小是5×5
代码

import cv2
import numpy as np
im = cv2.imread("dog.jpg")
cv2.imshow("orig", im)

# 调用opencv的中值模糊API
im_medianblur = cv2.medianBlur(im, 5)

cv2.imshow("median_blur",im_medianblur )

cv2.waitKey()

运行结果
这是一个原图，可以看到原图里面是充满了噪声，这个噪声就是salt & pepper（椒盐噪声）。

这是对图像进行中值滤波后的效果

通过中值滤波之后，可以看到图像明显变得清晰了。这就是中值滤波的优点，它可以达到降噪的效果，同时可以保留原始图像的一个锐度。
（2）均值滤波器
A.我们调用opencv当中的blur这个API对图像进行均值滤波，均值滤波器的大小是3×3的
B.也可以自己定义一个均值算子，就需要创建一个矩阵，这里矩阵的大小是3×3，矩阵中的每一个元素都是1，最后对窗口当中的9个元素取均值，这就是均值算子。然后用opencv中的filter，用这个均值算子对图像进行均值滤波
代码

#方法一:直接调用opencv的API
import cv2
import numpy as np
im = cv2.imread("emo1.jpg")
cv2.imshow ("orig", im)
#调用opencv的均值模糊API
im_meanblur1 = cv2.blur(im, (3, 3))
cv2.imshow("mean_blur_1", im_meanblur1)
cv2.waitKey ()

#方法二:使用均值算子和filter2D自定义滤波操作import cv2
import cv2
import numpy as np
im = cv2.imread("emo1.jpg")
cv2.imshow ("orig", im)
# 均值算子
mean_blur = np.ones([3,3], np.float32)/9
# 使用filter2D进行滤波操作
im_meanblur2 = cv2.filter2D(im, -1, mean_blur)
cv2.imshow("mean_blur_2", im_meanblur2)

cv2.waitKey()

运行结果
这是原始图像

这是对图像进行均值滤波后的效果，可以看到图像明显变得模糊化了，这就是均值滤波的一个效果，它可以达到图像平滑的一个效果

（3）高斯滤波
A.可以直接调用opencv当中的GaussianBlur这个API对图像进行高斯滤波
代码

#方法一：直接调用opencv的API
import cv2
import numpy as np
im = cv2.imread("emo1.jpg")
cv2.imshow ("orig", im)

# 调用opencv的高斯模糊API
im_gaussianblur1 = cv2.GaussianBlur(im, (5, 5), 0)
cv2.imshow("gaussian_blur_1", im_gaussianblur1)

cv2.waitKey()

运行结果

B.也可以自己建一个高斯filter，然后用opencv当中filter2D对图像进行滤波
代码

#方法二：使用高斯算子和filter2D自定义滤波操作
import cv2
import numpy as np

im = cv2.imread("emo1.jpg")
cv2.imshow ("orig", im)

# 高斯算子
gaussian_blur = np.array([
    [1, 4, 7, 4, 1],
    [4, 16 , 26, 16, 4],
    [7, 26, 41, 26, 7],
    [4, 16 , 26, 16, 4],
    [1, 4, 7, 4, 1]],np.float32)/273
# 使用filter2D进行滤波操作
im_gaussianblur2 = cv2.filter2D(im, -1, gaussian_blur)
cv2.imshow("gaussian_blur_2", im_gaussianblur2)

运行结果

相较于刚才均值滤波器的效果，如果用高斯滤波的话，可以一定程度的减少图像的模糊化

（4）锐化
图像的锐化分为两个步骤，第一是对图像进行边缘检测，第二步是原始图像乘以一定的系数然后再加上边缘检测后的效果图。锐化算子一般分为基于一阶梯度的和基于二阶梯度的。基于一阶梯度的锐化算子最典型的就是Sobel梯度算子，基于二阶梯度的锐化算子最典型的就是拉普拉斯算子。
这里我们建立的两个锐化算子都是二阶的锐化算子
代码

import cv2
import numpy as np

im = cv2.imread("emo1.jpg")
cv2.imshow ("orig", im)

# 锐化算子
sharpen_1 = np.array([
    [-1, -1, -1],
    [-1, 9, -1],
    [-1, -1, -1]
])
# 使用filter2D进行滤波操作
im_sharpen_1 = cv2.filter2D(im, -1, sharpen_1)
cv2.imshow("sharpen_1", im_sharpen_1)

# 锐化算子3
sharpen_2 = np.array([
    [0, -1, 0],
    [-1, 8, -1],
    [0, 1, 0]])/4.0

# 使用filter2D进行滤波操作
im_sharpen_2 = cv2.filter2D(im, -1, sharpen_2)
cv2.imshow("sharpen_2", im_sharpen_2)

cv2.waitKey()

运行结果
这是原始图像

这是图像锐化后的一个效果

这是用第二个锐化算进行图像液化后的果，可以观察到第二个锐化算子最后有一个除以四的过程，就可以增加图像的一个模糊化。