关于图像处理和Python深度学习的教程：第一部分

介绍

在这篇文章中，我们将学习如何执行图像处理。在整篇文章中，我们使用到的库是Scikit Image。

基础知识

1、什么是图像？

图像数据可能是文本之后最常见的数据。那么，电脑如何理解你在埃菲尔铁塔前的自拍呢？

它使用一个称为像素的小正方形网格。像素覆盖一个小区域，并具有表示颜色的值。图像中的像素越多，其质量越高，存储所需的内存越多。

就是这样。图像处理主要是处理这些单独的像素（有时是像素组），以便计算机视觉算法可以从中提取更多信息。

2、NumPy和Skimage的图像基础

在Matplotlib和Skimage中，图像都作为NumPy ndarray加载。

from skimage．io import imread  ＃ pip install scikit－image

image ＝ imread（＂images／colorful＿scenery．jpg＂）

＞＞＞ type（image）

numpy．ndarray

NumPy数组带来灵活性、速度和力量。图像处理也不例外。

Ndarrays可以轻松检索图像的一般详细信息，例如图像的尺寸：

＞＞＞ image．shape

（853， 1280， 3）

＞＞＞ image．ndim

3

＃ The number of pixels

＞＞＞ image．size  ＃ 853 ＊ 1280 ＊ 3

3275520

我们的图像高度为853像素，宽度为1280像素。第三维表示RGB（红、绿、蓝）颜色通道的值。最常见的图像格式是3D。

你可以通过常规NumPy索引检索单个像素值。下面，我们尝试索引图像以检索三个颜色通道中的每一个通道：

red ＝ image［：， ：， 0］

compare（image， red， ＂Red Channel of the Image＂， cmap＿type＝＂Reds＿r＂）

green ＝ image［：， ：， 1］

compare（image， green， ＂Green Channel of the Image＂， ＂Greens＿r＂）

blue ＝ image［：， ：， 2］

compare（image， blue， ＂Blue Channel of the Image＂， ＂Blues＿r＂）

0表示红色，1表示绿色，2表示蓝色通道－非常简单。

创建了两个函数，show和compare，它们显示一个图像或并排显示其中两个进行比较。在整个教程中，我们将广泛使用这两个函数。

按照约定，ndarray的第三维用于颜色通道，但并不总是遵循此约定。Skimage通常提供参数来指定这种行为。

图像与通常的Matplotlib绘图不同。它们的原点不位于左下角，而是位于左上角的位置（0，0）。

＞＞＞ show（image， axis＝True）

当我们在Matplotlib中绘制图像时，轴表示像素的顺序，但我们通常会隐藏它们。

3、常见转换

我们将要执行的最常见的图像转换是将彩色图像转换为灰度。许多图像处理算法需要灰度图像。因为颜色不是图片的定义特征，没有它，计算机仍然可以提取足够的信息。

from skimage．color import rgb2gray

image ＝ imread（＂images／grayscale＿example．jpg＂）

＃ Convert image to grayscale

gray ＝ rgb2gray（image）

compare（image， gray， ＂Grayscale Image＂）

＞＞＞ gray．shape

（853， 1280）

当将图像转换为灰度时，它们会丢失其第三维度－颜色通道。相反，图像数组中的每个单元格现在表示uint8类型的整数。它们的范围从0到255，提供256种灰度。

你还可以使用np．flipud或者np．fliplr之类的NumPy函数，随心所欲地以任何方式操纵图像。

kitten ＝ imread（＂images／horizontal＿flip．jpg＂）

horizontal＿flipped ＝ np．fliplr（kitten）

compare（kitten， horizontal＿flipped， ＂Horizontally Flipped Image＂）

ball ＝ imread（＂images／upside＿down．jpg＂）

vertically＿flipped ＝ np．flipud（ball）

compare（ball， vertically＿flipped， ＂Vertically Flipped Image＂）

在“颜色”模块中，你可以找到许多其他变换函数来处理图像中的颜色。

4、颜色通道直方图

有时，查看每个颜色通道的强度有助于了解颜色分布。我们可以通过切片每个颜色通道并绘制它们的直方图来实现这一点。以下是执行此操作的函数：

def plot＿with＿hist＿channel（image， channel）：
 

  channels ＝ ［＂red＂， ＂green＂， ＂blue＂］

  channel＿idx ＝ channels．index（channel）

  color ＝ channels［channel＿idx］

  extracted＿channel ＝ image［：， ：， channel＿idx］
   

  fig， （ax1， ax2） ＝ plt．subplots（

      ncols＝2， figsize＝（18， 6）

  ）

  ax1．imshow（image）

  ax1．axis（＂off＂）
   

  ax2．hist（extracted＿channel．ravel（）， bins＝256， color＝color）
   

  ax2．set＿title（f＂｛channels［channel＿idx］｝ histogram＂）

除了Matplotlib的一些细节之外，你还应该注意hist函数的调用。提取颜色通道及其数组后，我们将其展平为1D数组，并将其传递给hist函数。

bin数量应该是256个，每个像素值对应一个－0表示黑色，255表示完全白色。

让我们使用彩色风景图像：

colorful＿scenery ＝ imread（＂images／colorful＿scenery．jpg＂）

plot＿with＿hist＿channel（colorful＿scenery， ＂red＂）

＞＞＞ plot＿with＿hist＿channel（colorful＿scenery， ＂green＂）

＞＞＞ plot＿with＿hist＿channel（colorful＿scenery， ＂blue＂）

还可以使用直方图在将图像转换为灰度后找出图像中的亮度：

gray＿color＿scenery ＝ rgb2gray（colorful＿scenery）

plt．hist（gray＿color＿scenery．ravel（）， bins＝256）；

大多数像素的值较低，因为景物图像较暗。

我们将在以下部分探讨直方图的更多应用。

过滤器

1、手动阈值

现在，我们来看看有趣的东西——过滤图像。我们将学习的第一个操作是阈值化。让我们加载一个示例图像：

stag ＝ imread（＂images／binary＿example．jpg＂）

＞＞＞ show（stag）

阈值分割在图像分割、目标检测、边缘或轮廓提取等方面有着广泛的应用，它主要用于区分图像的背景和前景。

阈值处理在高对比度灰度图像上效果最好：

＃ Convert to graysacle

stag＿gray ＝ rgb2gray（stag）

＞＞＞ show（stag＿gray）

我们将从基本的手动阈值设置开始，然后转到自动阈值设置。

首先，我们查看灰度图像中所有像素的平均值：

＞＞＞ stag＿gray．mean（）

0．20056262759859955

请注意，通过将所有灰度图像的值除以256，上述灰度图像的像素在0和1之间归一化。

我们得到的平均值为0．2，这为我们提供了可能要使用的阈值的初步想法。

现在，我们使用这个阈值来进行掩码操作。如果像素值低于阈值，否则其值将变为0－黑色或1－白色。换句话说，我们得到一个黑白二值图像：

＃ Set threshold

threshold ＝ 0．35

＃ Binarize

binary＿image ＝ stag＿gray ＞ threshold

compare（stag， binary＿image， ＂Binary image＂）

在这个版本中，我们可以更清楚地区分鹿的轮廓。我们可以反转遮罩，使背景变为白色：

inverted＿binary ＝ stag＿gray ＜＝ threshold

＞＞＞ compare（stag， inverted＿binary， ＂Binary image inverted＂）

2、阈值－全局

虽然尝试不同的阈值并观察它们对图像的影响可能很有趣，但我们通常使用比我们的眼球估计更稳健的算法来执行阈值分割。

有很多阈值算法，所以可能很难选择一种。在这种情况下，skimage具有try＿all＿threshold函数，该函数在给定的灰度图像上运行七种阈值算法。让我们加载一个示例并进行转换：

flower ＝ imread（＂images／global＿threshold＿ex．jpg＂）

flower＿gray ＝ rgb2gray（flower）

compare（flower， flower＿gray）

我们将看看是否可以使用阈值优化郁金香的特征：

from skimage．filters import try＿all＿threshold

fig， ax ＝ try＿all＿threshold（  

flower＿gray， figsize＝（10， 8）， verbose＝False

）

正如你所看到的，一些算法在这张图像上工作得更好，而其他算法则很糟糕。otsu算法看起来更好，所以我们将继续使用它。

在这一点上，我想提请你注意郁金香的原始图像：

＞＞＞ show（flower）

图像背景不均匀，因为有太多光线从后面的窗口射进来。我们可以通过绘制灰色郁金香的直方图来证实这一点：

＞＞＞ plt．hist（flower＿gray．ravel（）， bins＝256）；

正如预期的那样，大多数像素的值都位于直方图的远端，这证实了它们大部分都是明亮的。

为什么这很重要？根据图像的亮度，阈值算法的性能也会发生变化。因此，阈值算法通常有两种类型：

全局－适用于具有均匀、统一背景的照片

局部－用于不同图片区域中具有不同亮度级别的图像。

郁金香图像属于第二类，因为右侧部分比另一半亮得多，使其背景不均匀。我们不能在其上使用全局阈值算法，这就是为什么try＿all＿threshold中所有算法的性能都很差的原因。

稍后我们将回到郁金香示例和局部阈值。现在，我们将加载另一个亮度更精确的实例，并尝试自动设置阈值：

spiral ＝ imread（＂images／otsu＿example．jpg＂）

spiral＿gray ＝ rgb2gray（spiral）

compare（spiral， spiral＿gray）

我们将在Skimage中使用通用的全局阈值算法threshold＿otsu：

from skimage．filters import threshold＿otsu

＃ Find optimal threshold with ｀threshold＿otsu｀

threshold ＝ threshold＿otsu（spiral＿gray）

＃ Binarize

binary＿spiral ＝ spiral＿gray ＞ threshold

compare（spiral， binary＿spiral， ＂Binarized Image w． Otsu Thresholding＂）

它工作得更好！

3、阈值－局部

现在，我们将使用局部阈值算法。

局部算法不关注整个图像，而是关注像素邻域，以解释不同区域的亮度不均匀。skimage中常见的局部算法为threshold＿local函数：

from skimage．filters import threshold＿local

local＿thresh ＝ threshold＿local（flower＿gray， block＿size＝3， offset＝0．0002）

binary＿flower ＝ flower＿gray ＞ local＿thresh

compare（flower， binary＿flower， ＂Tresholded flower image＂）

你必须使用offset参数来找到符合你需要的最佳图像。offset是从局部像素邻域的平均值中减去的常数。该“像素邻域”由local＿threshold中的block＿size参数确定，该参数表示算法在每个方向上围绕每个点查看的像素数。

显然，同时调整offset和block＿size是一个缺点，但局部阈值是唯一比手动或全局阈值产生更好结果的选项。

让我们再举一个例子：

from skimage．filters import threshold＿local

handwriting ＝ imread（＂images／chalk＿writing．jpg＂）

handwriting＿gray ＝ rgb2gray（handwriting）

＃ Find optimal threshold using local

local＿thresh ＝ threshold＿local（handwriting＿gray， offset＝0．0003）

＃ Binarize

binary＿handwriting ＝ handwriting＿gray ＞ local＿thresh

compare（handwriting， binary＿handwriting，

   ＂Binarized image with local thresholding＂）

正如你所看到的，经过阈值处理后，黑板上的笔迹更加精细。

4、边缘检测

边缘检测在很多方面都很有用，例如识别对象、从中提取特征、对其进行计数等等。

我们将从基本的Sobel滤波器开始，它在灰度图像中查找对象的边缘。我们将加载一张硬币图片，并对其使用Sobel滤波器：

from skimage．filters import sobel

coins ＝ imread（＂images／coins＿2．jpg＂）

coins＿gray ＝ rgb2gray（coins）

coins＿edge ＝ sobel（coins＿gray）

compare（coins， coins＿edge， ＂Images of coins with edges detected＂）

sobel很直截了当；你只需在灰色图像上调用它即可获得如上所述的输出。我们将在后面的部分中看到Sobel的更复杂版本。

5、平滑

另一种图像过滤技术是平滑。许多像下面的鸡一样的图像可能包含随机噪声，而对ML和DL算法没有任何有价值的信息。

例如，鸡周围的毛发会给图像添加噪声，这可能会使ML模型的注意力偏离主要对象本身。在这种情况下，我们使用平滑来模糊噪声或边缘并降低对比度。

chickens ＝ imread（＂images／chickens．jpg＂）

＞＞＞ show（chickens）

高斯平滑是最流行和最强大的平滑技术之一：

from skimage．filters import gaussian

smoothed ＝ gaussian（chickens， multichannel＝True， sigma＝2）

compare（chickens， smoothed， ＂An image smoothed with Gaussian smoothing＂）

你可以通过调整sigma参数来控制模糊的效果。如果你正在处理RGB图像，请不要忘记将multichannel设置为True。

如果图像分辨率太高，平滑效果可能肉眼看不到，但仍然有效。

       原文标题 : 关于图像处理和Python深度学习的教程：第一部分