這是一張靈異事件圖。。。開個(gè)玩笑，這就是一張普通的圖片。

毫無疑問，上面的那副圖畫看起來像一幅電腦背景圖片。這些都?xì)w功于我的妹妹，她能夠?qū)⒁恍┛瓷先テ婀值臇|西變得十分吸引眼球。然而，我們生活在數(shù)字圖片的年代，我們也很少去想這些圖片是在怎么存儲(chǔ)在存儲(chǔ)器上的或者去想這些圖片是如何通過各種變化生成的。

在這篇文章中，我將帶著你了解一些基本的圖片特征處理。data massaging 依然是一樣的：特征提取，但是這里我們還需要對(duì)跟多的密集數(shù)據(jù)進(jìn)行處理，但同時(shí)數(shù)據(jù)清理是在數(shù)據(jù)庫(kù)、表、文本等中進(jìn)行。這是如何對(duì)圖片進(jìn)行處理的呢？我們將看到圖片是怎么存儲(chǔ)在硬盤中的，同時(shí)我們可以通過使用基本的操作來處理圖片。
導(dǎo)入圖片

在python中導(dǎo)入圖片是非常容易的。下面的代碼就是python如何導(dǎo)入代碼的:

代碼解釋：

這幅圖片有一些顏色和許多像素組成，為了形象這幅圖片是如何存儲(chǔ)的，把每一個(gè)像素想象成矩陣中的每一個(gè)元素?，F(xiàn)在這些元素包含三個(gè)不同的密度信息，分別為顏色紅、綠、藍(lán)（RGB）。所以一個(gè)RGB的圖片就變成了三維的矩陣。每一個(gè)數(shù)字就是顏色的密度（RGB）

讓我們來看看一些轉(zhuǎn)化：

就像你在上面看到的一樣，我們對(duì)三個(gè)顏色維度進(jìn)行了一些操作轉(zhuǎn)變。黃色不是一種直接表示的顏色，它是紅色和綠色的組合色。我們通過設(shè)置其他顏色密度值為零而得到了這些變化。

將圖像轉(zhuǎn)換為二維矩陣

處理圖像的三維色有時(shí)可能是很復(fù)雜和冗余的。如果我們壓縮圖像為二維矩陣，在特征提取后,它將變得更簡(jiǎn)單。這是通過灰度圖像或二值化（Binarizing）圖像。當(dāng)圖片顯示為不同灰色強(qiáng)度組合時(shí)灰度圖像比二值化（Binarizing）圖像顏色更加飽滿,而二值化（binarzing）只是簡(jiǎn)單的構(gòu)建一個(gè)充滿0和1的二維矩陣而已。

這里將叫你如何將RGB圖片轉(zhuǎn)變成灰度圖像：

就如你所見，圖片的維度已經(jīng)降為了兩種灰度值了，然而圖片的特征在兩幅圖片中依然清晰可見。這就是為什么灰色圖像在硬盤上存貯更加節(jié)約空間。

現(xiàn)在讓我們來二值化灰色圖像，這是通過找到閥值和灰色度像素標(biāo)志(flagging the pixels of Grayscale)。在這篇文章中我已經(jīng)通過Otsu‘s方法來找到閥值的，Otsu‘s方法是通過最大化兩類不同像素點(diǎn)之間的距離來計(jì)算最優(yōu)閥值的，也就是說這個(gè)閥值最小化了同類間的變量值。

模糊化圖片

本文最后部分我們將介紹更多有關(guān)特征提取的內(nèi)容:圖像模糊。灰度或二值圖像有時(shí)需要捕獲更多的圖像而模糊圖像在這樣的場(chǎng)景下是非常方便的。例如,在這張圖片如果鐵路軌道比鞋子更加重要,模糊處理將會(huì)添加跟多的值。從這個(gè)例子中我們對(duì)模糊處理變得更清晰。模糊算法需要將鄰近像素的加權(quán)平均值加到周圍每個(gè)顏色像素中。下面是一個(gè)模糊處理的例子：

對(duì)上面的照片模糊處理后,我們清楚地看到鞋已經(jīng)與鐵路軌道具有相同的密度等級(jí)。因此,在許多場(chǎng)景中這種技術(shù)非常方便。
讓我們看一個(gè)實(shí)際例子。我們想在一個(gè)小鎮(zhèn)的照片上統(tǒng)計(jì)的人數(shù)。但是照片上還有一些建筑圖像。現(xiàn)在建筑背后的人的顏色強(qiáng)度會(huì)低于建筑本身。因此,這些人我們就難以計(jì)數(shù)。模糊處理場(chǎng)景后才能平衡建筑和人在圖像中的顏色強(qiáng)度。

完整的代碼：

image = imread(r"C:\Users\Tavish\Desktop\7.jpg")
show_img(image)

red, yellow = image.copy(), image.copy()
red[:,:,(1,2)] = 0
yellow[:,:,2]=0
show_images(images=[red,yellow], titles=['Red Intensity','Yellow Intensity'])

from skimage.color import rgb2gray
gray_image = rgb2gray(image)
show_images(images=[image,gray_image],titles=["Color","Grayscale"])
print "Colored image shape:", image.shape
print "Grayscale image shape:", gray_image.shape

from skimage.filter import threshold_otsu
thresh = threshold_otsu(gray_image)
binary = gray_image > thresh
show_images(images=[gray_image,binary_image,binary],titles=["Grayscale","Otsu Binary"])

from skimage.filter import gaussian_filter
blurred_image = gaussian_filter(gray_image,sigma=20)
show_images(images=[gray_image,blurred_image],titles=["Gray Image","20 Sigma Blur"])

總結(jié)

以上就是本文關(guān)于python實(shí)現(xiàn)圖片處理和特征提取詳解的全部?jī)?nèi)容，希望對(duì)大家有所幫助。感興趣的朋友可以繼續(xù)參閱本站：

python圖像常規(guī)操作

在Python web中實(shí)現(xiàn)驗(yàn)證碼圖片代碼分享

Python生成數(shù)字圖片代碼分享

如有不足之處，歡迎留言指出。感謝朋友們對(duì)本站的支持！

最新評(píng)論