寫在前面

在上一篇文章Python徒手實(shí)現(xiàn)手寫數(shù)字識別—大綱中，我們已經(jīng)講過了我們想要寫的全部思路，所以我們不再說全部的思路。

我這一次將圖片的讀入與處理的代碼寫了一下，和大綱寫的過程一樣，這一段代碼分為以下幾個部分：

• 讀入圖片；
• 將圖片讀取為灰度值矩陣；
• 圖片背景去噪；
• 切割圖片，得到手寫數(shù)字的最小矩陣；
• 拉伸/壓縮圖片，得到標(biāo)準(zhǔn)大小為100x100大小矩陣；
• 將圖片拉為1x10000大小向量，存入訓(xùn)練矩陣中。
  

所以下面將會對這幾個函數(shù)進(jìn)行詳解。

代碼分析

基礎(chǔ)內(nèi)容

首先我們現(xiàn)在最前面定義基礎(chǔ)變量

import os
from skimage import io
import numpy as np

##Essential vavriable 基礎(chǔ)變量
#Standard size 標(biāo)準(zhǔn)大小
N = 100
#Gray threshold 灰度閾值
color = 100/255

其中標(biāo)準(zhǔn)大小指的是我們在最后經(jīng)過切割、拉伸后得到的圖片的尺寸為NxN?；叶乳撝抵傅氖窃谀硞€點(diǎn)上的灰度超過閾值后則變?yōu)?.

接下來是這圖像處理的一部分的主函數(shù)

filenames = os.listdir(r"./num/")
pic = GetTrainPicture(filenames)

其中filenames得到在num目錄下所有文件的名稱組成的列表。pic則是通過函數(shù)GetTrainPicture得到所有訓(xùn)練圖像向量的矩陣。這一篇文章主要就是圍繞這個函數(shù)進(jìn)行講解。

GetTrainPicture函數(shù)

GetTrainPicture函數(shù)內(nèi)容如下

#Read and save train picture 讀取訓(xùn)練圖片并保存
def GetTrainPicture(files):
 Picture = np.zeros([len(files), N**2+1])
 #loop all pictures 循環(huán)所有圖片文件
 for i, item in enumerate(files):
 #Read the picture and turn RGB to grey 讀取這個圖片并轉(zhuǎn)為灰度值
 img = io.imread('./num/'+item, as_grey = True)
 #Clear the noise 清除噪音
 img[img>color] = 1
 #Cut the picture and get the picture of handwritten number
 #將圖片進(jìn)行切割，得到有手寫數(shù)字的的圖像
 img = CutPicture(img)
 #Stretch the picture and get the standard size 100x100
 #將圖片進(jìn)行拉伸，得到標(biāo)準(zhǔn)大小100x100
 img = StretchPicture(img).reshape(N**2)
 #Save the picture to the matrix 將圖片存入矩陣
 Picture[i, 0:N**2] = img
 #Save picture's name to the matrix 將圖片的名字存入矩陣
 Picture[i, N**2] = float(item[0])
 return Picture

可以看出這個函數(shù)的信息量非常大，基本上今天做的所有步驟我都把封裝到一個個函數(shù)里面了，所以這里我們可以看到圖片處理的所有步驟都在這里。

提前準(zhǔn)備

首先是創(chuàng)建了一個用來存放所有圖像向量的矩陣Picture，大小為fx10001，其中f代表我們擁有的訓(xùn)練圖片的數(shù)目，10001的前10000位代表圖片展開后的向量長度，最后一維代表這一個向量的類別，比如說時2就代表這個圖片上面寫的數(shù)字是2.

接下來用的是一個for循環(huán)，將files里面每一個圖片進(jìn)行一次迭代，計算出向量后存入picture。

在循環(huán)中的內(nèi)容就是對每一張圖片進(jìn)行的操作。

讀入圖片并清除背景噪音

首先是io.imread函數(shù)，這個函數(shù)是將圖片導(dǎo)出成為灰度值的矩陣，每一個像素點(diǎn)是矩陣上的一個元素。

接下來是img[img>color]=1這一句。這一句運(yùn)用了邏輯運(yùn)算的技巧，我們可以將其分為兩部分

point = img > color
img[point] = 1

首先是img>color，img是一個矩陣，color是一個數(shù)。意義就是對img中所有元素進(jìn)行判斷是否大于color這個數(shù)，并輸出一個與img同等大小的矩陣，對應(yīng)元素上是該值與color判斷后的結(jié)果，有False與True。如果大于這個數(shù)，那么就是Ture，否則是False。下面舉個例子，不再贅述。

a = np.array([1, 2, 3, 4])
print(a>2)

#以下為輸出結(jié)果
[False False True True]

之后的img[point] = 1說明將所有True的值等于1。舉個例子

a = np.array([1, 2, 3, 4])
p = a > 2
a[p] = 0
print(a)

#以下為輸出結(jié)果
[1 2 0 0]

因此我通過這樣的方法來清除掉了與數(shù)字顏色差別太大的背景噪音。

切割圖像

首先切割圖像的函數(shù)我寫的是CutPicture。我們來說一下這個切割圖像的意思。比如說有一個人寫字寫的特別小，另一個人寫字寫的特別大。就像是下圖所示，所以我們進(jìn)行這樣的操作。沿著圖片的邊進(jìn)行切割，得到了下面切割后的圖片，讓數(shù)字占滿整個圖片，從而具有可比性。

所以下面貼出代碼，詳細(xì)解釋一下我是怎么做的。

#Cut the Picture 切割圖象
def CutPicture(img):
 #初始化新大小
 size = []
 #圖片的行數(shù)
 length = len(img)
 #圖片的列數(shù)
 width = len(img[0,:])
 #計算新大小
 size.append(JudgeEdge(img, length, 0, [-1, -1]))
 size.append(JudgeEdge(img, width, 1, [-1, -1]))
 size = np.array(size).reshape(4)
 print(size)
 return img[size[0]:size[1]+1, size[2]:size[3]+1]

首先函數(shù)導(dǎo)入過來的的參數(shù)只有一個原img。

我第一步做的是把新的大小初始化一下，size一共會放入四個值，第一個值代表原圖片上的手寫數(shù)字圖案的最高行，第二個值代表的是最低行，第三個值代表數(shù)字圖案的最左列，，第四個只代表最右列**。這個還看不明白的話就看上面的圖示，就是沿著圖片切割一下就好了。

接下來的length和width分別代表著原圖片的行數(shù)與列數(shù)，作用在下面。我又創(chuàng)建了一個JudgeEdge函數(shù)，這個函數(shù)是輸出它的行數(shù)或者列數(shù)的兩位數(shù)字。第一個append是給size列表放入了兩個行序號（最高行和最低行），第二個append是給size放進(jìn)兩個列序號（最左列和最右列）。所以接下來就看JudgeEdge函數(shù)是干什么的。

def JudgeEdge(img, length, flag, size):
 for i in range(length):
 #Cow or Column 判斷是行是列
 if flag == 0:
  #Positive sequence 正序判斷該行是否有手寫數(shù)字
  line1 = img[img[i,:]<color]
  #Negative sequence 倒序判斷該行是否有手寫數(shù)字
  line2 = img[img[length-1-i,:]<color]
 else:
  line1 = img[img[:,i]<color]
  line2 = img[img[:,length-1-i]<color]
 #If edge, recode serial number 若有手寫數(shù)字，即到達(dá)邊界，記錄下行
 if len(line1)>=1 and size[0]==-1:
  size[0] = i
 if len(line2)>=1 and size[1]==-1:
  size[1] = length-1-i
 #If get the both of edge, break 若上下邊界都得到，則跳出
 if size[0]!=-1 and size[1]!=-1:
  break
 return size

JudgeEdge函數(shù)的參數(shù)flag就是用來判斷是行還是列，當(dāng)flag=0時，說明以行為基礎(chǔ)開始循環(huán)；當(dāng)flag=1時說明以列為基礎(chǔ)進(jìn)行循環(huán)。所以參數(shù)length傳遞的時候就是行數(shù)和列數(shù)。接下來的for循環(huán)就是根據(jù)length的大小看似是循環(huán)。

當(dāng)是行時，我這里用line1和line2起到的是一個指針的作用，即在第i行時，line1的內(nèi)容就是這一行擁有非白色底（數(shù)值為1）的像素的個數(shù)；line2的作用則是反序的，也就是他計算的是倒數(shù)i行非白色像素個數(shù)，這樣做的目的是能夠快一點(diǎn)，讓上下同時開始進(jìn)行尋找，而不用line1把整個圖片循環(huán)一遍，line2把整個圖片循環(huán)一遍，大大節(jié)省了時間。

尋找這一行擁有非白色底的像素的個數(shù)這一個語句同樣的運(yùn)用了邏輯判斷，和上文中去噪的原理一模一樣。

當(dāng)line里面有數(shù)的時候，說明已經(jīng)到達(dá)了手寫數(shù)字的邊緣。這時候就記錄下來，然后就不再改變。當(dāng)兩個line都不等于初始值-1時，說明已經(jīng)找到了兩個邊緣，這時候就可以跳出循環(huán)并且return了。

這個函數(shù)就是這樣。所以說切割圖像的完整代碼就是這樣子，下面就要把切割的大小不一的圖像給拉伸成標(biāo)準(zhǔn)大小100x100了。

拉伸圖像

因?yàn)榍懈钜院蟮膱D像有大有小，一張圖片的大小可能是21x39（比如說數(shù)字2），另一張可能是4x40（比如說數(shù)字1）。所以為了能夠讓他們統(tǒng)一大小稱為100x100，我們就要把他們拉伸一下。

大概就是像圖上的一樣。實(shí)際情況的圖案可能會更復(fù)雜，所以我們下面展示一下代碼

#Stretch the Picture 拉伸圖像
def StretchPicture(img):
 newImg = np.ones(N**2).reshape(N, N)
 ##Stretch/Compress each cows/columns 對每一行/列進(jìn)行拉伸/壓縮
 #The length of each cows after stretching 每一行拉伸/壓縮的步長
 step1 = len(img[0])/100
 #Each columns blabla 每一列拉伸/壓縮的步長
 step2 = len(img)/100
 #Operate on each cows 對每一行進(jìn)行操作
 for i in range(len(img)):
 for j in range(N):
  newImg[i, j] = img[i, int(np.floor(j*step1))]
 #Operate on each columns 對每一列進(jìn)行操作
 for i in range(len(img[0])):
 for j in range(N):
  newImg[j, i] = img[int(np.floor(j*step2)), i]
 return newImg

首先初始化一個新的圖片矩陣，這個大小就是標(biāo)準(zhǔn)大小100x100。接下來才是重頭戲。我這里用的方法是比較簡單基礎(chǔ)的方法，但是可能依舊比較難。

首先定義兩個步長step1和step2，分別代表拉伸/壓縮行與列時的步長。這里的原理就是把原來的長度給他平均分成100份，然后將這100個像素點(diǎn)分別對應(yīng)上原本的像素點(diǎn)。

如下圖所示，圖像1我們假設(shè)為原圖像，圖像2我們假設(shè)為標(biāo)準(zhǔn)圖像，我們需要把圖像1轉(zhuǎn)化為圖像2，其中每一個點(diǎn)代表一個像素點(diǎn)，也就是圖像1有五個像素點(diǎn)，圖像2有四個像素點(diǎn)。

所以我的思想就是直接讓圖像2的像素點(diǎn)的值等于距離它最近的圖像1的像素點(diǎn)。

我們?yōu)榱朔奖闫鹨?，在這里定義一個語法：圖像2第三個數(shù)據(jù)點(diǎn)我們可以寫為2_3.

所以2_1對應(yīng)的就是1_1，2_2對應(yīng)的就是1_2，2_3對應(yīng)的是1_4，2_4對應(yīng)的是1_5。就這樣我們就能夠得到了圖像2所有的數(shù)據(jù)點(diǎn)。

利用數(shù)學(xué)的形式表現(xiàn)出來，就是假設(shè)圖像1長度為l_1，圖像2長度為l_2，所以令圖像2的步長為l_1/l_2，也就是說當(dāng)圖像2的第一個像素點(diǎn)對應(yīng)圖像1第一個像素點(diǎn)，圖像2的最后一個像素點(diǎn)對應(yīng)圖像1最后一個像素點(diǎn)。然后圖像2第二個像素點(diǎn)位置就是2*l_1/l_2，對應(yīng)圖像1第floor(2*l_1/l_2)個像素點(diǎn)。以此類推就行。因此再回頭看一下那一段代碼，這一段是不是就好理解了？

之后對行與列分別進(jìn)行這個操作，所以就可以得到標(biāo)準(zhǔn)的圖片大小。然后再返回到GetTrainPicture即可。

再GetTrainPicture函數(shù)中，我用了reshape函數(shù)把原本100x100大小的圖片拉伸成為1x10000大小的向量，然后存入矩陣當(dāng)中，并將這一張圖片的類別存入矩陣最后一個。

以上就是圖片處理的所有內(nèi)容。

小結(jié)

以上就是把一張圖片經(jīng)過處理后存入矩陣的內(nèi)容。

本文已被收錄到專題《python圖片處理操作》 ，歡迎大家點(diǎn)擊學(xué)習(xí)更多精彩內(nèi)容。

本文中的所有算法、代碼均是我自己構(gòu)思的，所以可能存在一些不足之處，我沒有系統(tǒng)的學(xué)習(xí)過圖像的相關(guān)知識，也并不是計算機(jī)專業(yè)，因此可能在理論上有一些不合乎情況，所以如果有錯誤的話歡迎一起討論，謝謝。

最新評論