python计算机视觉1：基本操作与直方图

---

本文主要内容来源于书籍《python计算机视觉编程》
我是一名初学者，如果你发现文中有错误，请留言告诉我，谢谢

---

PIL模块

PIL模块全程为Python Imaging Library，是python中一个免费的图像处理模块。

---

打开图像

PIL模块常用到它的Image类，打开图像首先要导入Image类
from PIL import Image，
然后调用Image的open方法。
例如

from PIL import Image

image = Image.open("smallpi.jpg") # 返回一个Image图像对象
print(image)
# 结果
<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=800x450 at 0x4731348>

---

图像的保存及格式转换

图像保存用的是Image对象的save()方法，传入的参数为保存图像文件的名字。
当传入不同的扩展名时，它会根据扩展名自动转换图像的格式。
例如

from PIL import Image

image = Image.open("smallpi.jpg") # 打开jpg图像文件
image.save("smallpi.png") # 保存图像，并转换成png格式

---

转化成灰度图像

获得Image对象后，调用其convert()方法,传入参数"L"，即可以返回该图像的灰度图像对象。

from PIL import Image

image = Image.open("smallpi.jpg")

image_gray = image.convert("L") # 转化成灰度图像
print(image_gray)
# 结果
<PIL.Image.Image image mode=L size=800x450 at 0x46AD648>

---

Image对象与图像矩阵相互转化

Image对象转化成图像矩阵

Image对象转化成图像矩阵只要将Image对象作为numpy.array()参数即可。

import numpy as np
from PIL import Image

image = Image.open("smallpi.jpg")
image_array = np.array(image)
print(image_array)
# 结果
[[[177 177 177]
  [177 177 177]
  [176 176 176]
  ...,
  #此处省略
  ...,
  [232 232 232]
  [232 232 232]
  [232 232 232]]]

---

图像矩阵转化成Image对象

图像矩阵转化成Image对象通过Image模块的fromarray()方法。

import numpy as np
from PIL import Image

image = Image.open("smallpi.jpg")
image_array = np.array(image.convert("L"))
image_array = 255 - image_array # 图像矩阵处理，将灰度图像反相
                                # 反相指的是，黑变白，白变黑
image2 = Image.fromarray(image_array)
print(image2)
# 结果
<PIL.Image.Image image mode=RGB size=800x450 at 0x4753748>

---

图像的显示

图像的显示需要用到matplotlib模块。
首先需要导入matplotlib.pyplot
import matplotlib.pyplot as plt
然后，调用pyplot的imshow()方法，传入Image对象即可

from PIL import Image
import matplotlib.pyplot as plt

image = Image.open("smallpi.jpg")
plt.imshow(image) # 绘制图像image
plt.show() # 需要调用show()方法，不然图像只会在内存中而不显示出来

 

图像显示结果（带坐标轴）

如果想把坐标轴去掉只需要调用pyplot的axis()方法，传入"off"参数

from PIL import Image
import matplotlib.pyplot as plt

image = Image.open("smallpi.jpg")
plt.imshow(image) # 绘制图像image
plt.axis("off") # 去掉坐标轴
plt.show() # 需要调用show()方法，不然图像只会在内存中而不显示出来 

图像显示结果（不带坐标轴）

如果要显示灰度图像，需要导入matplotlib的cm模块
import matplotlib.cm as cm
然后在调用pyplot.show()时，传入关键字参数cmap=cm.gray。

from PIL import Image
import matplotlib.pyplot as plt
import matplotlib.cm as cm         

image = Image.open("smallpi.jpg") # 打开图像
image_gray = image.convert("L") # 转化成灰度图像

plt.subplot(2,1,1)
plt.imshow(image_gray) # 没传入关键字参数cmap=cm.gray
plt.axis("off") # 去掉坐标轴

plt.subplot(2,1,2)
plt.imshow(image_gray, cmap=cm.gray) # 指明 cmap=cm.gray
plt.axis("off") # 去掉坐标轴

plt.show() # 显示图像 

显示结果
上：没指定cmap ， 下：指定cmap=cm.gray

---

创建缩略图

创建图像缩略图可以通过Image的thumbnail()方法，参数传入一个元组，指明缩略图的大小，如thumbnail((128,128))。
例如

from PIL import Image

image = Image.open("smallpi.jpg")
image_thumbnail = image.thumbnail((128,128))

image.save("thumbnail.jpg") 

结果为

---

复制和粘贴区域

复制区域是指截取图像中的一部分，并将这一部分作为一个新的Image对象。
复制区域的方法为crop()，参数为一个含4个元素的元组，用来指定截取区域的左上角点和右下角点。

from PIL import Image

image = Image.open("smallpi.jpg") # 打开图像
box = (300,100,500,300) # 截取区域
image_crop = image.crop(box) # 按指定截取区域对图像进行截取复制

image_crop.save("image_crop.jpg") # 保存

保存的截取区域图像为

粘贴区域是指在指定图像中放入另一个图像，其方法为paste()。该方法有两个参数，第一个参数为需要粘贴进去的图像，第二个参数为粘贴区域。

from PIL import Image

image = Image.open("smallpi.jpg")
box = (300,100,500,300)        # 先截取一部分
image_crop = image.crop(box)    

# 为了看到粘贴效果，现将截取部分转180度
image_crop = image_crop.transpose(Image.ROTATE_180) # 转180度
image.paste(image_crop,box) # 将转180度后的图像粘贴到原图像

image.save("image_paste.jpg")

粘贴后原图像变成 

---

图像的尺寸调整和旋转

尺寸调整方法为resize()，参数为一元组，指定调整后的大小，如resize((128,128))。
图像旋转的方法为rotate()，参数为旋转角度（数值，单位为度）,逆时针方向，如rotate(45)`

from PIL import Image

image = Image.open("smallpi.jpg")

image_resize = image.resize((200,200)) # 尺寸调整
image_rotate = image.rotate(45) # 图像旋转
# image.transpose()也可以旋转图像，但只能旋转90度的整数倍
# 参数为 Image.ROTATE_90 旋转90度
# 180度，270度可类推

image_resize.save("image_resize.jpg")
image_rotate.save("image_rotate.jpg")

尺寸调整为200*200

图像逆时针旋转45度

---

图像直方图

图像直方图用来统计图像中像素值的分布情况，即统计不同像素值出现的次数。方法为调用matplotlib.pyplot的hist方法，参数传入图像像素序列和统计区间个数。

from PIL import Image
import matplotlib.pyplot as plt
import matplotlib.cm as cm

#打开图像，并转化成灰度图像
image = Image.open("smallpi.jpg").convert("L")
image_array = np.array(image)

plt.subplot(2,1,1)
plt.imshow(image,cmap=cm.gray)
plt.axis("off")
plt.subplot(2,1,2)
plt.hist(image_array.flatten(),256) #flatten可以将矩阵转化成一维序列
plt.show()

结果为

---

灰度变换

对于一张灰度图像，其每个像素点都用一个0-255之间的值表示，0表示黑色，越接近0越黑；255表示白色，越接近255越白。
灰度变换就是通过一个特定的函数，使灰度值从一个值转换成另外一个值。
这里列出3种灰度变换

1. 【反相】变换后的灰度值= 255−原灰度值

2.【转换到100-200】变换后的灰度值 =(原灰度值/255)*100+100

3. 【像素平方】变换后的灰度值 = 255*(原灰度值/255)²

2

from PIL import Image
import matplotlib.pyplot as plt
import matplotlib.cm as cm

image = Image.open("smallpi.jpg").convert("L")
image_array = np.array(image)

x = np.arange(255)

# 反相
plt.subplot(3,2,1)
plt.plot(x,255-x) # 画出变换函数图像
plt.subplot(3,2,2)
plt.imshow(Image.fromarray(255-image_array),cmap=cm.gray)
plt.axis("off")

# 转换到 100-200
plt.subplot(3,2,3)
plt.plot(x,(x/255.0)*100+100) # 画出变换函数图像
plt.subplot(3,2,4)
plt.imshow( Image.fromarray((image_array/255.0)*100+100), cmap=cm.gray )
plt.axis("off")

# 像素平方
plt.subplot(3,2,5)
plt.plot(x,255*(x/255.0)**2) # 画出变换函数图像
plt.subplot(3,2,6)
plt.imshow( Image.fromarray(255*(image_array/255.0)**2), cmap=cm.gray )
plt.axis("off")

plt.show()

 

`结果如下，（左边是变换函数，右边是图像变换结果）

---

直方图均衡化

由上面图像的直方图可以看出，一般情况下，图像上某些灰度值较多，有些灰度值较少，直方图均衡化为的是使灰度值较为均衡。

直方图均衡化是利用直方图的累积函数作为灰度变换函数，对图像进行转换。直方图均衡化可以增强图像的对比度。

累积函数和概率论中的累积分布函数类似。例如对于还有5个数的序列[1,2,3,4,5],其累积函数含有5个数，第一个数是1，第二个是1+2=3，……，第五个数是1+2+3+4+5=15，所以其累积函数是[1,3,6,10,15]。

我们把直方图均衡化的过程封装在一个函数里面，函数名字叫做histeq，输入原图像矩阵和直方图分块数，输出均衡化后的图像矩阵和累积函数。

import numpy as np
from PIL import Image
import matplotlib.pyplot as plt
import matplotlib.cm as cm

def histeq(image_array,image_bins=256):

    # 将图像矩阵转化成直方图数据，返回元组(频数，直方图区间坐标)
    image_array2,bins = np.histogram(image_array.flatten(),image_bins)

    # 计算直方图的累积函数
    cdf = image_array2.cumsum()

    # 将累积函数转化到区间[0,255]
    cdf = (255.0/cdf[-1])*cdf

    # 原图像矩阵利用累积函数进行转化，插值过程
    image2_array = np.interp(image_array.flatten(),bins[:-1],cdf)

    # 返回均衡化后的图像矩阵和累积函数
    return image2_array.reshape(image_array.shape),cdf

image = Image.open("pika.jpg").convert("L")
image_array = np.array(image)
plt.subplot(2,2,1)
plt.hist(image_array.flatten(),256)
plt.subplot(2,2,2)
plt.imshow(image,cmap=cm.gray)
plt.axis("off")

a = histeq(image_array)  # 利用刚定义的直方图均衡化函数对图像进行均衡化处理
plt.subplot(2,2,3)
plt.hist(a[0].flatten(),256)
plt.subplot(2,2,4)
plt.imshow(Image.fromarray(a[0]),cmap=cm.gray)
plt.axis("off")

plt.show()

结果如下图所示，第一行为原图像直方图和原图像，第二行为均衡化后的直方图和图像。可以看出均衡化后图像对比度增强了，原先灰色区域的细节变得清晰。