章节
图像处理和分析通常被看作是对二维值数组的操作。然而，在一些领域中，必须对高维数的图像进行处理分析，例如，医学成像和生物成像。由于对多维特性的良好支持，numpy非常适合这种类型的应用程序。scipy.ndimage包提供了许多通用的图像处理和分析功能，这些功能支持操作任意维度的数组。
scipy.ndimage中提供了图像矩阵变换、图像滤波、图像卷积等功能。
旋转图片
旋转图片，可以使用ndimage.rotate函数。
测试图片下载: face.png
示例
加载原图片
from scipy import ndimage
import matplotlib.image as mpimg
import matplotlib.pyplot as plt
# 加载图片
face = mpimg.imread('./face.png')
# 显示图片
plt.imshow(face)
# plt.savefig('./img2-1.png') # 保存要显示的图片
plt.show()
输出
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-NTwDVFBg-1571731533309)(https://www.qikegu.com/wp-content/uploads/2019/06/img2-1.png)]
示例
from scipy import ndimage
import matplotlib.image as mpimg
import matplotlib.pyplot as plt
# 加载图片
face = mpimg.imread('./face.png')
# 旋转图片
rotate_face = ndimage.rotate(face, 45)
plt.imshow(rotate_face)
# plt.savefig('./img3-1.png') # 保存要显示的图片
plt.show()
输出
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-roYeWLno-1571731533312)(https://www.qikegu.com/wp-content/uploads/2019/06/img3-1.png)]
图像滤波
图像滤波是一种修改/增强图像的技术。例如，可以通过图像滤波突出图像的某些特性，弱化或滤除图像的另一些特性。滤波有很多种，例如：平滑、锐化、边缘增强等等。
示例
对图像进行高斯滤波。高斯滤波是一种模糊滤波，广泛用于滤除图像噪声。
from scipy import ndimage
import matplotlib.image as mpimg
import matplotlib.pyplot as plt
# 加载图片
face = mpimg.imread('./face.png')
# 处理图片
face1 = ndimage.gaussian_filter(face, sigma=3)
# 显示图片
plt.imshow(face1)
# plt.savefig('./img4-1.png') # 保存要显示的图片
plt.show()
输出
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ri8BeFuk-1571731533317)(https://www.qikegu.com/wp-content/uploads/2019/06/img4-1.png)]
sigma=3表示模糊程度为3，我们可以通过调整sigma值，来比较图像质量的变化。
边缘检测
边缘检测是一种寻找图像中物体边界的图像处理技术。它的原理是通过检测图像中的亮度突变，来识别物体边缘。边缘检测在图像处理、计算机视觉、机器视觉等领域中广泛应用。
常用边缘检测算法包括：
- Sobel
- Canny
- Prewitt
- Roberts
- Fuzzy Logic methods
让我们考虑下面的例子。
import scipy.ndimage as nd
import numpy as np
im = np.zeros((256, 256))
im[64:-64, 64:-64] = 1
im[90:-90,90:-90] = 2
im = nd.gaussian_filter(im, 8)
import matplotlib.pyplot as plt
plt.imshow(im)
# plt.savefig('./img5-1.png') # 保存要显示的图片
plt.show()
上面的程序将生成以下输出。
图像看起来像一个正方形的色块，我们将检测这些彩色块的边缘。这里使用ndimage的Sobel函数来检测图像边缘，该函数会对图像数组的每个轴分开操作，产生两个矩阵，然后我们使用NumPy中的Hypot函数将这两个矩阵合并为一个矩阵，得到最后结果。
示例
import scipy.ndimage as nd
import numpy as np
import matplotlib.pyplot as plt
im = np.zeros((256, 256))
im[64:-64, 64:-64] = 1
im[90:-90,90:-90] = 2
im = nd.gaussian_filter(im, 8)
sx = nd.sobel(im, axis = 0, mode = 'constant')
sy = nd.sobel(im, axis = 1, mode = 'constant')
sob = np.hypot(sx, sy)
plt.imshow(sob)
# plt.savefig('./img6-1.png') # 保存要显示的图片
plt.show()
上面的程序将生成以下输出。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-qc6G227y-1571731533323)(https://www.qikegu.com/wp-content/uploads/2019/06/img6-1.png)]
