锐客网

  1. 首页 > 睿知 > it技术 > >

python函数图像处理 python中图像处理

图像IT技术

数字图像处理Python实现图像灰度变换、直方图均衡、均值滤波import CV2
import copy
import numpy as np
import random
使用的是pycharm
因为最近看python函数图像处理了《银翼杀手2049》python函数图像处理，里面Joi实在是太好看了所以原图像就用Joi了
要求是灰度图像，所以第一步先把图像转化成灰度图像
# 读入原始图像
img = CV2.imread('joi.jpg')
# 灰度化处理
gray = CV2.cvtColor(img, CV2.COLOR_BGR2GRAY)
CV2.imwrite('img.png', gray)
第一个任务是利用分段函数增强灰度对比，python函数图像处理我自己随便写了个函数大致是这样的
def chng(a):
if a255/3:
b = a/2
elif a255/3*2:
b = (a-255/3)*2255/6
else:
b = (a-255/3*2)/2255/6255/3*2
return b
rows = img.shape[0]
cols = img.shape[1]
cover = copy.deepcopy(gray)
for i in range(rows):
for j in range(cols):
cover[i][j] = chng(cover[i][j])
CV2.imwrite('cover.png', cover)
下一步是直方图均衡化
# histogram equalization
def hist_equal(img, z_max=255):
H, W = img.shape
# S is the total of pixels
S = H * W * 1.
out = img.copy()
sum_h = 0.
for i in range(1, 255):
ind = np.where(img == i)
sum_h= len(img[ind])
z_prime = z_max / S * sum_h
out[ind] = z_prime
out = out.astype(np.uint8)
return out
covereq = hist_equal(cover)
CV2.imwrite('covereq.png', covereq)
在实现滤波之前先添加高斯噪声和椒盐噪声（代码来源于网络）
不知道这个椒盐噪声的名字是谁起的感觉隔壁小孩都馋哭了
用到了random.gauss()
percentage是噪声占比
def GaussianNoise(src,means,sigma,percetage):
NoiseImg=src
NoiseNum=int(percetage*src.shape[0]*src.shape[1])
for i in range(NoiseNum):
randX=random.randint(0,src.shape[0]-1)
randY=random.randint(0,src.shape[1]-1)
NoiseImg[randX, randY]=NoiseImg[randX,randY] random.gauss(means,sigma)
if NoiseImg[randX, randY] 0:
NoiseImg[randX, randY]=0
elif NoiseImg[randX, randY]255:
NoiseImg[randX, randY]=255
return NoiseImg
def PepperandSalt(src,percetage):
NoiseImg=src
NoiseNum=int(percetage*src.shape[0]*src.shape[1])
for i in range(NoiseNum):
randX=random.randint(0,src.shape[0]-1)
randY=random.randint(0,src.shape[1]-1)
if random.randint(0,1)=0.5:
NoiseImg[randX,randY]=0
else:
NoiseImg[randX,randY]=255
return NoiseImg
covereqg = GaussianNoise(covereq, 2, 4, 0.8)
CV2.imwrite('covereqg.png', covereqg)
covereqps = PepperandSalt(covereq, 0.05)
CV2.imwrite('covereqps.png', covereqps)
下面开始均值滤波和中值滤波了
就以n x n为例，均值滤波就是用这n x n个像素点灰度值的平均值代替中心点，而中值就是中位数代替中心点，边界点周围补0python函数图像处理；前两个函数的作用是算出这个点的灰度值，后两个是对整张图片进行
#均值滤波模板
def mean_filter(x, y, step, img):
sum_s = 0
for k in range(x-int(step/2), x int(step/2) 1):
for m in range(y-int(step/2), y int(step/2) 1):
if k-int(step/2)0 or k int(step/2) 1img.shape[0]
or m-int(step/2)0 or m int(step/2) 1img.shape[1]:
sum_s= 0
else:
sum_s= img[k][m] / (step*step)
return sum_s
#中值滤波模板
def median_filter(x, y, step, img):
sum_s=[]
for k in range(x-int(step/2), x int(step/2) 1):
for m in range(y-int(step/2), y int(step/2) 1):
if k-int(step/2)0 or k int(step/2) 1img.shape[0]
or m-int(step/2)0 or m int(step/2) 1img.shape[1]:
sum_s.append(0)
else:
sum_s.append(img[k][m])
sum_s.sort()
return sum_s[(int(step*step/2) 1)]
def median_filter_go(img, n):
img1 = copy.deepcopy(img)
for i in range(img.shape[0]):
for j in range(img.shape[1]):
img1[i][j] = median_filter(i, j, n, img)
return img1
def mean_filter_go(img, n):
img1 = copy.deepcopy(img)
for i in range(img.shape[0]):
for j in range(img.shape[1]):
img1[i][j] = mean_filter(i, j, n, img)
return img1
完整main代码如下python函数图像处理：
if __name__ == "__main__":
# 读入原始图像
img = CV2.imread('joi.jpg')
# 灰度化处理
gray = CV2.cvtColor(img, CV2.COLOR_BGR2GRAY)
CV2.imwrite('img.png', gray)
rows = img.shape[0]
cols = img.shape[1]
cover = copy.deepcopy(gray)
for i in range(rows):
for j in range(cols):
cover[i][j] = chng(cover[i][j])
CV2.imwrite('cover.png', cover)
covereq = hist_equal(cover)
CV2.imwrite('covereq.png', covereq)
covereqg = GaussianNoise(covereq, 2, 4, 0.8)
CV2.imwrite('covereqg.png', covereqg)
covereqps = PepperandSalt(covereq, 0.05)
CV2.imwrite('covereqps.png', covereqps)
meanimg3 = mean_filter_go(covereqps, 3)
CV2.imwrite('medimg3.png', meanimg3)
meanimg5 = mean_filter_go(covereqps, 5)
CV2.imwrite('meanimg5.png', meanimg5)
meanimg7 = mean_filter_go(covereqps, 7)
CV2.imwrite('meanimg7.png', meanimg7)
medimg3 = median_filter_go(covereqg, 3)
CV2.imwrite('medimg3.png', medimg3)
medimg5 = median_filter_go(covereqg, 5)
CV2.imwrite('medimg5.png', medimg5)
medimg7 = median_filter_go(covereqg, 7)
CV2.imwrite('medimg7.png', medimg7)
medimg4 = median_filter_go(covereqps, 7)
CV2.imwrite('medimg4.png', medimg4)
基于python的数字图像处理的意义1、数字图像处理是一门综合性多领域交叉python函数图像处理的学科python函数图像处理 ， 经过多年的发展python函数图像处理，已经在机器视觉、自动控制、虚拟现实等领域取得python函数图像处理了长足的发展 。
2、其教学目的在于让学生了解数字图像处理的一般概念python函数图像处理，掌握该领域最基本的算法原理以及实现方法，为进一步的学习打下基础 。
3、Python是一种面向对象的解释型语言 ， 在其丰富外部库的支持下，实现数字图像处理的基本算法 。
python：PIL图像处理PIL (Python Imaging Library)
Python图像处理库，该库支持多种文件格式，提供强大python函数图像处理的图像处理功能 。
PIL中最重要python函数图像处理的类是Image类，该类在Image模块中定义 。
从文件加载图像python函数图像处理：
如果成功，这个函数返回一个Image对象 。现在你可以使用该对象的属性来探索文件的内容 。
format 属性指定了图像文件的格式，如果图像不是从文件中加载的则为 None。
size 属性是一个2个元素的元组，包含图像宽度和高度（像素） 。
mode 属性定义了像素格式，常用的像素格式为：“L” (luminance) - 灰度图, “RGB” , “CMYK” 。
如果文件打开失败, 将抛出IOError异常 。
一旦你拥有一个Image类的实例，你就可以用该类定义的方法操作图像 。比如：显示
( show() 的标准实现不是很有效率，因为它将图像保存到一个临时文件，然后调用外部工具（比如系统的默认图片查看软件）显示图像 。该函数将是一个非常方便的调试和测试工具 。)
接下来的部分展示了该库提供的不同功能 。
PIL支持多种图像格式 。从磁盘中读取文件，只需使用 Image 模块中的 open 函数 。不需要提供文件的图像格式 。PIL库将根据文件内容自动检测 。
如果要保存到文件，使用 Image 模块中的 save 函数 。当保存文件时，文件名很重要，除非指定格式，否则PIL库将根据文件的扩展名来决定使用哪种格式保存 。
** 转换文件到JPEG **
save 函数的第二个参数可以指定使用的文件格式 。如果文件名中使用了一个非标准的扩展名，则必须通过第二个参数来指定文件格式 。
** 创建JPEG缩略图 **
需要注意的是 ， PIL只有在需要的时候才加载像素数据 。当你打开一个文件时，PIL只是读取文件头获得文件格式、图像模式、图像大小等属性，而像素数据只有在需要的时候才会加载 。
这意味着打开一个图像文件是一个非常快的操作，不会受文件大小和压缩算法类型的影响 。
** 获得图像信息 **
Image 类提供了某些方法 ， 可以操作图像的子区域 。提取图像的某个子区域 ， 使用 crop() 函数 。
** 复制图像的子区域 **
定义区域使用一个包含4个元素的元组 ， (left, upper, right, lower) 。坐标原点位于左上角 。上面的例子提取的子区域包含300x300个像素 。
该区域可以做接下来的处理然后再粘贴回去 。
** 处理子区域然后粘贴回去 **
当往回粘贴时，区域的大小必须和参数匹配 。另外区域不能超出图像的边界 。然而原图像和区域的颜色模式无需匹配 。区域会自动转换 。
** 滚动图像 **
paste() 函数有个可选参数，接受一个掩码图像 。掩码中255表示指定位置为不透明，0表示粘贴的图像完全透明 ， 中间的值表示不同级别的透明度 。
PIL允许分别操作多通道图像的每个通道，比如RGB图像 。split() 函数创建一个图像集合，每个图像包含一个通道 。merge() 函数接受一个颜色模式和一个图像元组，然后将它们合并为一个新的图像 。接下来的例子交换了一个RGB图像的三个通道 。
** 分离和合并图像通道 **
对于单通道图像 ， split() 函数返回图像本身 。如果想处理各个颜色通道，你可能需要先将图像转为RGB模式 。
resize() 函数接受一个元组，指定图像的新大小 。
rotate() 函数接受一个角度值，逆时针旋转 。
** 基本几何变换 **
图像旋转90度也可以使用 transpose() 函数 。transpose() 函数也可以水平或垂直翻转图像 。
** transpose **
transpose() 和 rotate() 函数在性能和结果上没有区别 。
更通用的图像变换函数为 transform()。
PIL可以转换图像的像素模式 。
** 转换颜色模式 **
PIL库支持从其他模式转为“L”或“RGB”模式，其他模式之间转换，则需要使用一个中间图像 ， 通常是“RGB”图像 。
ImageFilter 模块包含多个预定义的图像增强过滤器用于 filter() 函数 。
** 应用过滤器 **
point() 函数用于操作图像的像素值 。该函数通常需要传入一个函数对象，用于操作图像的每个像素：
** 应用点操作 **
使用以上技术可以快速地对图像像素应用任何简单的表达式 。可以结合 point() 函数和 paste 函数修改图像 。
** 处理图像的各个通道 **
注意用于创建掩码图像的语法：
Python计算逻辑表达式采用短路方式 ， 即：如果and运算符左侧为false，就不再计算and右侧的表达式，而且返回结果是表达式的结果 。比如 a and b 如果a为false则返回a，如果a为true则返回b，详见Python语法 。
对于更多高级的图像增强功能 ， 可以使用 ImageEnhance 模块中的类 。
可以调整图像对比度、亮度、色彩平衡、锐度等 。
** 增强图像 **
PIL库包含对图像序列（动画格式）的基本支持 。支持的序列格式包括 FLI/FLC 、 GIF 和一些实验性的格式 。TIFF 文件也可以包含多个帧 。
当打开一个序列文件时，PIL库自动加载第一帧 。你可以使用 seek() 函数 tell() 函数在不同帧之间移动 。
** 读取序列 **
如例子中展示的，当序列到达结尾时，将抛出EOFError异常 。
注意当前版本的库中多数底层驱动只允许seek到下一帧 。如果想回到前面的?。荒苤匦麓蚩枷?。
以下迭代器类允许在for语句中循环遍历序列：
** 一个序列迭代器类 **
PIL库包含一些函数用于将图像、文本打印到Postscript打印机 。以下是一个简单的例子 。
** 打印到Postscript **
如前所述，可以使用 open() 函数打开图像文件，通常传入一个文件名作为参数：
如果打开成功 ， 返回一个Image对象，否则抛出IOError异常 。
也可以使用一个file-like object代替文件名（暂可以理解为文件句柄） 。该对象必须实现read，seek，tell函数，必须以二进制模式打开 。
** 从文件句柄打开图像 **
如果从字符串数据中读取图像，使用StringIO类：
** 从字符串中读取 **
如果图像文件内嵌在一个大文件里，比如 tar 文件中 。可以使用ContainerIO或TarIO模块来访问 。
** 从tar文档中读取 **
** 该小节不太理解，请参考原文 **
有些解码器允许当读取文件时操作图像 。通常用于在创建缩略图时加速解码（当速度比质量重要时）和输出一个灰度图到激光打印机时 。
draft() 函数 。
** Reading in draft mode **
输出类似以下内容：
注意结果图像可能不会和请求的模式和大小匹配 。如果要确保图像不大于指定的大?。?请使用 thumbnail 函数 。
Python2.7 教程 PIL
Python 之 使用 PIL 库做图像处理
来自
【python函数图像处理 python中图像处理】python函数图像处理的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于python中图像处理、python函数图像处理的信息别忘了在本站进行查找喔 。

    推荐阅读


    上一篇：如何搭建LDAP服务器？ ldap服务器怎么部署

    下一篇：如何设置苹果服务器的缓冲区？ 苹果服务器缓冲区怎么设置