作者|Garima Singh
編譯|VK
來源|Git Connected
以前照相從來沒有那么容易，現在你只需要一部手機，拍照是免費的，如果我們不考慮手機的費用的話，就在上一代人之前，業余藝術家和真正的藝術家如果拍照非常昂貴，并且每張照片的成本也不是免費的，
我們拍照是為了及時保存偉大的時刻，被保存的記憶隨時準備在未來被"打開"，
就像腌制東西一樣，我們要注意正確的防腐劑，當然，手機也為我們提供了一系列的影像處理軟體，但是一旦我們需要處理大量的照片，我們就需要其他的工具，這時，編程和Python就派上用場了，Python及其模塊如Numpy、Scipy、Matplotlib和其他特殊模塊提供了各種各樣的函式，能夠處理大量圖片，
為了向你提供必要的知識，本章的Python教程將處理基本的影像處理和操作，為此，我們使用模塊NumPy、Matplotlib和SciPy，
我們從scipy包misc開始，
# 以下行僅在Python notebook中需要:
%matplotlib inline
from scipy import misc
ascent = misc.ascent()
import matplotlib.pyplot as plt
plt.gray()
plt.imshow(ascent)
plt.show()
除了影像之外，我們還可以看到帶有刻度的軸，這可能是非常有趣的，如果你需要一些關于大小和像素位置的方向，但在大多數情況下，你想看到沒有這些資訊的影像，我們可以通過添加命令plt.axis("off")來去掉刻度和軸:
from scipy import misc
ascent = misc.ascent()
import matplotlib.pyplot as plt
plt.axis("off") # 洗掉軸和刻度
plt.gray()
plt.imshow(ascent)
plt.show()
我們可以看到這個影像的型別是一個整數陣列:
ascent.dtype
輸出:
dtype('int64')
我們也可以檢查影像的大小:
ascent.shape
輸出:
(512,512)
misc包里還有一張浣熊的圖片:
import scipy.misc
face = scipy.misc.face()
print(face.shape)
print(face.max)
print(face.dtype)
plt.axis("off")
plt.gray()
plt.imshow(face)
plt.show()
(768, 1024, 3)
<built-in method max of numpy.ndarray object at 0x7f9e70102800>
uint8
import matplotlib.pyplot as plt
matplotlib只支持png影像
img = plt.imread('frankfurt.png')
print(img[:3])
[[[ 0.41176471 0.56862748 0.80000001]
[ 0.40392157 0.56078434 0.79215688]
[ 0.40392157 0.56862748 0.79607844]
...,
[ 0.48235294 0.62352943 0.81960785]
[ 0.47843137 0.627451 0.81960785]
[ 0.47843137 0.62352943 0.82745099]]
[[ 0.40784314 0.56470591 0.79607844]
[ 0.40392157 0.56078434 0.79215688]
[ 0.40392157 0.56862748 0.79607844]
...,
[ 0.48235294 0.62352943 0.81960785]
[ 0.47843137 0.627451 0.81960785]
[ 0.48235294 0.627451 0.83137256]]
[[ 0.40392157 0.56862748 0.79607844]
[ 0.40392157 0.56862748 0.79607844]
[ 0.40392157 0.56862748 0.79607844]
...,
[ 0.48235294 0.62352943 0.81960785]
[ 0.48235294 0.62352943 0.81960785]
[ 0.48627451 0.627451 0.83137256]]]
plt.axis("off")
imgplot = plt.imshow(img)
lum_img = img[:,:,1]
print(lum_img)
[[ 0.56862748 0.56078434 0.56862748 ..., 0.62352943 0.627451
0.62352943]
[ 0.56470591 0.56078434 0.56862748 ..., 0.62352943 0.627451 0.627451 ]
[ 0.56862748 0.56862748 0.56862748 ..., 0.62352943 0.62352943
0.627451 ]
...,
[ 0.31764707 0.32941177 0.32941177 ..., 0.30588236 0.3137255
0.31764707]
[ 0.31764707 0.3137255 0.32941177 ..., 0.3019608 0.32156864
0.33725491]
[ 0.31764707 0.3019608 0.33333334 ..., 0.30588236 0.32156864
0.33333334]]
plt.axis("off")
imgplot = plt.imshow(lum_img)
色彩、色度和色調
現在，我們將展示如何給影像著色，色彩是色彩理論的一種表達，是畫家常用的一種技法，想到畫家而不想到荷蘭是很難想象的，所以在下一個例子中，我們使用荷蘭風車的圖片，
windmills = plt.imread('windmills.png')
plt.axis("off")
plt.imshow(windmills)
輸出:
<matplotlib.image.AxesImage at 0x7f9e77f02f98>
我們現在想給影像著色，我們用白色，這將增加影像的亮度，為此，我們撰寫了一個Python函式，它接受一個影像和一個百分比值作為引數，設定"百分比"為0不會改變影像，設定為1表示影像將完全變白:
import numpy as np
import matplotlib.pyplot as plt
def tint(imag, percent):
"""
imag: 影像
percent: 0，影像將保持不變，1，影像將完全變白色，值應該在0~1
"""
tinted_imag = imag + (np.ones(imag.shape) - imag) * percent
return tinted_imag
windmills = plt.imread('windmills.png')
tinted_windmills = tint(windmills, 0.8)
plt.axis("off")
plt.imshow(tinted_windmills)
輸出:
<matplotlib.image.AxesImage at 0x7f9e6cd99978>
陰影是一種顏色與黑色的混合，它減少了亮度，
import numpy as np
import matplotlib.pyplot as plt
def shade(imag, percent):
"""
imag: 影像
percent: 0，影像將保持不變，1，影像將完全變黑，值應該在0~1
"""
tinted_imag = imag * (1 - percent)
return tinted_imag
windmills = plt.imread('windmills.png')
tinted_windmills = shade(windmills, 0.7)
plt.imshow(tinted_windmills)
輸出:
<matplotlib.image.AxesImage at 0x7f9e6cd20048>
def vertical_gradient_line(image, reverse=False):
"""
我們創建一個垂直梯度線，形狀 (1, image.shape[1], 3))
如果reverse為False，則值從0增加到1，
否則，值將從1遞減到0，
"""
number_of_columns = image.shape[1]
if reverse:
C = np.linspace(1, 0, number_of_columns)
else:
C = np.linspace(0, 1, number_of_columns)
C = np.dstack((C, C, C))
return C
horizontal_brush = vertical_gradient_line(windmills)
tinted_windmills = windmills * horizontal_brush
plt.axis("off")
plt.imshow(tinted_windmills)
輸出:
<matplotlib.image.AxesImage at 0x7f9e6ccb3d68>
現在，我們將通過將Python函式的reverse引數設定為“True”來從右向左著色影像：
def vertical_gradient_line(image, reverse=False):
"""
我們創建一個水平梯度線，形狀 (1, image.shape[1], 3))
如果reverse為False，則值從0增加到1，
否則，值將從1遞減到0，
"""
number_of_columns = image.shape[1]
if reverse:
C = np.linspace(1, 0, number_of_columns)
else:
C = np.linspace(0, 1, number_of_columns)
C = np.dstack((C, C, C))
return C
horizontal_brush = vertical_gradient_line(windmills, reverse=True)
tinted_windmills = windmills * horizontal_brush
plt.axis("off")
plt.imshow(tinted_windmills)
輸出:
<matplotlib.image.AxesImage at 0x7f9e6cbc82b0>
def horizontal_gradient_line(image, reverse=False):
"""
我們創建一個垂直梯度線，形狀(image.shape[0], 1, 3))
如果reverse為False，則值從0增加到1，
否則，值將從1遞減到0，
"""
number_of_rows, number_of_columns = image.shape[:2]
C = np.linspace(1, 0, number_of_rows)
C = C[np.newaxis,:]
C = np.concatenate((C, C, C)).transpose()
C = C[:, np.newaxis]
return C
vertical_brush = horizontal_gradient_line(windmills)
tinted_windmills = windmills
plt.imshow(tinted_windmills)
輸出:
<matplotlib.image.AxesImage at 0x7f9e6cb52390>
色調是由一種顏色與灰色的混合產生的，或由著色和陰影產生的，
charlie = plt.imread('Chaplin.png')
plt.gray()
print(charlie)
plt.imshow(charlie)
[[ 0.16470589 0.16862746 0.17647059 ..., 0. 0. 0. ]
[ 0.16078432 0.16078432 0.16470589 ..., 0. 0. 0. ]
[ 0.15686275 0.15686275 0.16078432 ..., 0. 0. 0. ]
...,
[ 0. 0. 0. ..., 0. 0. 0. ]
[ 0. 0. 0. ..., 0. 0. 0. ]
[ 0. 0. 0. ..., 0. 0. 0. ]]
輸出：
<matplotlib.image.AxesImage at 0x7f9e70047668>
給灰度影像著色:http://scikit-image.org/docs/dev/auto_examples/plot_tinting_grayscale_images.html
在下面的示例中，我們將使用不同的顏色映射，顏色映射可以在matplotlib.pyplot.cm.datad中找到:
plt.cm.datad.keys()
輸出：
dict_keys(['afmhot', 'autumn', 'bone', 'binary', 'bwr', 'brg', 'CMRmap', 'cool', 'copper', 'cubehelix', 'flag', 'gnuplot', 'gnuplot2', 'gray', 'hot', 'hsv', 'jet', 'ocean', 'pink', 'prism', 'rainbow', 'seismic', 'spring', 'summer', 'terrain', 'winter', 'nipy_spectral', 'spectral', 'Blues', 'BrBG', 'BuGn', 'BuPu', 'GnBu', 'Greens', 'Greys', 'Oranges', 'OrRd', 'PiYG', 'PRGn', 'PuBu', 'PuBuGn', 'PuOr', 'PuRd', 'Purples', 'RdBu', 'RdGy', 'RdPu', 'RdYlBu', 'RdYlGn', 'Reds', 'Spectral', 'YlGn', 'YlGnBu', 'YlOrBr', 'YlOrRd', 'gist_earth', 'gist_gray', 'gist_heat', 'gist_ncar', 'gist_rainbow', 'gist_stern', 'gist_yarg', 'coolwarm', 'Wistia', 'Accent', 'Dark2', 'Paired', 'Pastel1', 'Pastel2', 'Set1', 'Set2', 'Set3', 'tab10', 'tab20', 'tab20b', 'tab20c', 'Vega10', 'Vega20', 'Vega20b', 'Vega20c', 'afmhot_r', 'autumn_r', 'bone_r', 'binary_r', 'bwr_r', 'brg_r', 'CMRmap_r', 'cool_r', 'copper_r', 'cubehelix_r', 'flag_r', 'gnuplot_r', 'gnuplot2_r', 'gray_r', 'hot_r', 'hsv_r', 'jet_r', 'ocean_r', 'pink_r', 'prism_r', 'rainbow_r', 'seismic_r', 'spring_r', 'summer_r', 'terrain_r', 'winter_r', 'nipy_spectral_r', 'spectral_r', 'Blues_r', 'BrBG_r', 'BuGn_r', 'BuPu_r', 'GnBu_r', 'Greens_r', 'Greys_r', 'Oranges_r', 'OrRd_r', 'PiYG_r', 'PRGn_r', 'PuBu_r', 'PuBuGn_r', 'PuOr_r', 'PuRd_r', 'Purples_r', 'RdBu_r', 'RdGy_r', 'RdPu_r', 'RdYlBu_r', 'RdYlGn_r', 'Reds_r', 'Spectral_r', 'YlGn_r', 'YlGnBu_r', 'YlOrBr_r', 'YlOrRd_r', 'gist_earth_r', 'gist_gray_r', 'gist_heat_r', 'gist_ncar_r', 'gist_rainbow_r', 'gist_stern_r', 'gist_yarg_r', 'coolwarm_r', 'Wistia_r', 'Accent_r', 'Dark2_r', 'Paired_r', 'Pastel1_r', 'Pastel2_r', 'Set1_r', 'Set2_r', 'Set3_r', 'tab10_r', 'tab20_r', 'tab20b_r', 'tab20c_r', 'Vega10_r', 'Vega20_r', 'Vega20b_r', 'Vega20c_r'])
import numpy as np
import matplotlib.pyplot as plt
charlie = plt.imread('Chaplin.png')
# colormaps plt.cm.datad
# cmaps = set(plt.cm.datad.keys())
cmaps = {'afmhot', 'autumn', 'bone', 'binary', 'bwr', 'brg',
'CMRmap', 'cool', 'copper', 'cubehelix', 'Greens'}
X = [ (4,3,1, (1, 0, 0)), (4,3,2, (0.5, 0.5, 0)), (4,3,3, (0, 1, 0)),
(4,3,4, (0, 0.5, 0.5)), (4,3,(5,8), (0, 0, 1)), (4,3,6, (1, 1, 0)),
(4,3,7, (0.5, 1, 0) ), (4,3,9, (0, 0.5, 0.5)),
(4,3,10, (0, 0.5, 1)), (4,3,11, (0, 1, 1)), (4,3,12, (0.5, 1, 1))]
fig = plt.figure(figsize=(6, 5))
#fig.subplots_adjust(bottom=0, left=0, top = 0.975, right=1)
for nrows, ncols, plot_number, factor in X:
sub = fig.add_subplot(nrows, ncols, plot_number)
sub.set_xticks([])
plt.colors()
sub.imshow(charlie*0.0002, cmap=cmaps.pop())
sub.set_yticks([])
#fig.show()
原文鏈接：https://levelup.gitconnected.com/image-processing-in-python-b5e3e11e1413
歡迎關注磐創AI博客站：
http://panchuang.net/
sklearn機器學習中文官方檔案：
http://sklearn123.com/
歡迎關注磐創博客資源匯總站：
http://docs.panchuang.net/
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/10871.html
標籤：其他
上一篇：寫給程式員的機器學習入門 (七) - 雙向遞回模型 (BRNN) - 根據背景關系補全單詞
下一篇：求教Stm32藍牙模塊，懸賞