使用Numpy和Opencv完成图像的基本数据分析
使用Numpy和Opencv完成图像的基本数据分析
对于深度学习而言，很多任务都是与数字图形处理打交道。这类任务的数据集一般是由很多张图像构成，有时候，当原始图像不能直接送入模型中时，需要对其进行一定的预处理操作，这时候就不得不向大家介绍一个十分有用的软件包OpenCV，用它处理图像起来非常方便，OpenCV是一个基于BSD许可发行的跨平台计算机视觉库，它轻量且高效，是由一系列C函数和少量C++类构成，支持Python、MATLAB等语言接口，内部包含了很多图像处理的相关算法。下面将向大家介绍如何使用NumPy和OpenCV对数字图像进行简单的处理方法：
关于像素的一些知识
在程序世界里，图像输入到计算机中时，与人眼所见的图像的形式不太一样。计算机将图像存储为类似于马赛克的小方块，就像古老的方块马赛克艺术的形式。如果方形块太大，那么就很难制作出光滑的边缘和曲线。使用的方块越小，则越平滑，或者说图像的像素就越少，方块的大小有时候也被称为图像的分辨率。 矢量图像是存储图像的一些不同方法，目的是为了避免与像素相关的问题。但是，即使是矢量图像，最终也会显示为像素级的马赛克。像素一词表示图像元素，描述每个像素的简单方法是使用三种颜色的组合，即红色（Red），绿色（Green），蓝色（Blue），即我们平时所说的RGB图像。 在RGB图像中，每个像素由分别与红色，绿色，蓝色的值相关联的三个8比特数表示。假设使用放大镜观察，如果我们放大图片，就会看到图片是由微小的光点或更加具体的像素组成，更有趣的是，看到的那些小光点实际上是多个微小不同颜色的小光点，且颜色只有红色、绿色和蓝色。 假设现在从远处观察，创建一张图像，可以看到一张图像实际上由像素点值的开关决定（像素值为1表示开，像素值为0表示关），这些开关组合创建了图像，基本上，我们每天在屏幕上看到的图像都是这种。 每张图像都以数字形式的像素组成，像素是构成图片的最小信息单位，通常是圆形或方形，且位于二维网格中。 现在，如果RGB三个值都处于全强度，这意味着其组合值为255，该值表示为白色，如果所有三种颜色都被减弱，或者值设置为0，其值表示为黑色。反过来，三者的不同组合将为我们提供不同特定的像素颜色。由于每个数字都是8比特，因此像素值的取值范围为0-255，从下图可以看到，但R的强度为37.3%，G的强度为45.9%，B的强度为18.8%时，组合成的颜色为深绿（dark green）。
三种颜色的不同组合将产生不同的颜色，由于每个值可以具有256个不同的强度或亮度值，因此总共有1680万（256 x 256 x 256）种不同组合。 图像的基本知识介绍完毕后进入正题，以下内容将包含Numpy非常基本的图像数据分析、还有一些Python数据包，比如imageio，matplotlib等。本系列博客内容结构如下，先介绍前三个部分：
- 导入图像并观察其属性
- 拆分图层
- 灰度化
- 对像素值使用逻辑运算符
- 使用逻辑运算符进行掩码
- 卫星图像数据分析
导入图像
下面加载图像并观察其各种属性。注意，在输入下面代码请确保好已经安装好对应的python数据包。
if__name__=='__main__':
importimageio
importmatplotlib.pyplotasplt
%matplotlibinlinepic=imageio.imread('F:/demo_2.jpg')
plt.figure(figsize=(15,15))plt.imshow(pic)
观察图像的基本属性
print('Type of the image : ',type(pic))
print()
print('Shape of the image : {}'.format(pic.shape))
print('Image Hight {}'.format(pic.shape[0]))
print('Image Width {}'.format(pic.shape[1]))
print('Dimension of Image {}'.format(pic.ndim))其输出
Type of the image :<class 'imageio.core.util.Image'>
Shape of the image : (562, 960, 3)
Image Hight 562
Image Width 960
Dimension of Image 3 ndarray的形状表明它是一个三维矩阵，输出结果的前两个数字分别表示高度（height）和宽度（width），第三个数字（即3）表示是该图像是三通道彩色图：红色、绿色和蓝色。因此，如果我们计算RGB图像的大小，则总像素大小将是weiheigh x width x 3。
print('Image size {}'.format(pic.size))
print('Maximum RGB value in this image {}'.format(pic.max()))
print('Minimum RGB value in this image {}'.format(pic.min()))Image size 1618560
Maximum RGB value in this image 255
Minimum RGB value in this image 0这些值对于验证而言是很重要的，因为8位颜色强度不能超出0到255范围。 使用图片可以分配变量，此外还可以访问图像的任何特定像素值，并且还可以分别访问每个RGB通道。
pic[100, 50 ]Image([109, 143, 46], dtype=uint8)在这种情况下：R = 109、G = 143、 B = 46，从这个配置可以看出该像素中有很多绿色，也可以通过三个通道的索引值来从中选择出一个。根据一般规定：
- 索引0表示红色通道
- 索引1表示绿色通道
- 索引2表示蓝色通道 但在OpenCV中，Images并不是按照RGB的顺序规定，而是BGR。 imageio.imread将图像加载为RGB（或RGBA），但OpenCV假定图像为BGR或BGRA（BGR是OpenCVcolour的默认的式）。
print('Value of only R channel {}'.format(pic[ 100, 50, 0]))
print('Value of only G channel {}'.format(pic[ 100, 50, 1]))
print('Value of only B channel {}'.format(pic[ 100, 50, 2]))Value of only R channel 109
Value of only G channel 143
Value of only B channel 46现在快速查看整个图像中每个通道表示的图像。
plt.title('R channel')plt.ylabel('Height {}'.format(pic.shape[0]))plt.xlabel('Width {}'.format(pic.shape[1]))plt.imshow(pic[ : , : , 0])plt.show()
plt.title('G channel')plt.ylabel('Height {}'.format(pic.shape[0]))plt.xlabel('Width {}'.format(pic.shape[1]))plt.imshow(pic[ : , : , 1])plt.show()
plt.title('B channel')plt.ylabel('Height {}'.format(pic.shape[0]))plt.xlabel('Width {}'.format(pic.shape[1]))plt.imshow(pic[ : , : , 2])plt.show()
下面，也可以更改RGB的数值。例如，将下面行的红色、绿色、，蓝色图层的值全部设置为全强度，即取值为255。
- R通道：第100行到110行
- G通道：第200行到210行
- B通道：行300行到310行 本次测试只在一张图像上进行综合处理，方便我们同时查看每个通道的值对图像的影响。
pic =imageio.imread('F:/demo_2.jpg')
pic[50:150 , : , 0] =255# full intensity to those pixel's R channel
plt.figure( figsize= (10,10))plt.imshow(pic)plt.show()
pic[200:300 , : , 1] =255# full intensity to those pixel's G channel
plt.figure( figsize= (10,10))plt.imshow(pic)plt.show()
pic[350:450 , : , 2] =255# full intensity to those pixel's B channel
plt.figure( figsize= (10,10))plt.imshow(pic)plt.show()
为了更加清楚地对比分析，我们也改变部分列的像素值，这次测试同时更改RGB通道的值。
pic[50:450 , 400:600 , [0,1,2] ] =200plt.figure( figsize= (10,10))plt.imshow(pic)plt.show()
拆分图层
通过以上测试，可以知道，图像的每个像素点都是由三个整数表示。只需要拉出图像阵列的正确切片，就可以将图像分割成单独的颜色分量。
importnumpyasnppic=imageio.imread('F:/demo_2.jpg')fig,ax=plt.subplots(nrows=1,ncols=3,figsize=(15,5))forc,axinzip(range(3),ax):# create zero matrix
split_img=np.zeros(pic.shape,dtype="uint8")# 'dtype' by default: 'numpy.float64'
# assing each channel split_img[:,:,c]=pic[:,:,c]
# display each channelax.imshow(split_img)
灰度化
黑白图像存储在二维矩阵中，目前存在两种类型的黑白图像：
- 灰度：灰色阴影的范围：0~255
- 二进制：像素为黑色或白色：0或255 灰度处理过程，就是将图像从全彩色转换为灰度图。在图像处理工具中，例如：在OpenCV中，在使用很多含住之前，需要将图像进行灰度处理，这样做是因为灰度处理简化了图像，几乎像降噪一样，这是因为灰度图像中的信息比较少。
在python中有两种方法可以将图像转换为灰度。但是，更直接的方法是使用matplotlib包，该包执行的操作是获取原始图像的RGB值后进行加权平均。
Y' = 0.299 R + 0.587 G + 0.114 B
pic=imageio.imread('F:/demo_2.jpg')
gray=lambdargb:np.dot(rgb[...,:3],[0.299,0.587,0.114])
gray=gray(pic)
plt.figure(figsize=(10,10))
plt.imshow(gray,cmap=plt.get_cmap(name='gray'))
plt.show()
而通过GIMP将颜色转换为灰度图像有三种算法来完成任务：
- 亮度（Lightness）灰度等级计算为
Lightness = ½×(max(R,G,B)+ min(R,G,B)) - 照明度(Luminosity)灰度级将计算为
Luminosity= 0.21×R + 0.7×G + 0.07×B - 平均亮度灰度级将计算为
Average Brightness=(R + G + B)÷3
下面让我们尝试实现一下这三个算法中的一种吧，本文选择Luminosity。
pic=imageio.imread('F:/demo_2.jpg')gray=lambdargb:np.dot(rgb[...,:3],[0.21,0.72,0.07])gray=gray(pic)plt.figure(figsize=(10,10))plt.imshow(gray,cmap=plt.get_cmap(name='gray'))plt.show()print('Type of the image : ',type(gray))print()print('Shape of the image : {}'.format(gray.shape))
print('Image Hight {}'.format(gray.shape[0]))print('Image Width {}'.format(gray.shape[1]))
print('Dimension of Image {}'.format(gray.ndim))
print()
print('Image size {}'.format(gray.size))
print('Maximum RGB value in this image {}'.format(gray.max()))
print('Minimum RGB value in this image {}'.format(gray.min()))
print('Random indexes [X,Y] : {}'.format(gray[100,50]))
Type of the image :<class 'imageio.core.util.Image'>
Shape of the image : (562,960)
Image Height 562
Image Widht 960
Dimension of Image 2
Image size 539520
Maximum RGB value in this image 254.9999999997
Minimum RGB value in this image 0.0
Random indexes [X,Y] : 129.07使用逻辑操作处理像素值
可以使用逻辑运算符创建相同大小的数组。但是，逻辑运算操作并不会创建出任何新的数组，只是将True返回给主机变量（host variable）。例如：假设在RGB图像中过滤掉一些像素值低的像素或像素值高的像素（以及其它任何条件），将RGB转换为灰度图看起来不错，但是我们目前不会对彩色图像进行这样的处理。 首先加载图像，并将其显示在屏幕上：
pic=imageio.imread('F:/demo_1.jpg')
plt.figure(figsize=(10,10))
plt.imshow(pic)
plt.show()
注意图像的路径问题.之后需要考虑转储这个显示的图像。假设对于任何情况，我们都想要滤除掉低于某值的所有像素值，并假设该阈值设置为20。为此，我们将使用逻辑运算符来执行此任务，最终结果将返回所有索引的真值。
low_pixel=pic<20 # 检查所有值在低像素中是否正确
iflow_pixel.any()==True:
print(low_pixel.shape)# 输出结果
(1079, 1293, 3)正如之前所说，主机变量，一般并不使用这个名称，但在本文中引用它，这是因为它的行为只保留真值，而不是其他任何形式的值。所以，如果展示low_pixel和pic的形状，我们就会发现它们其实具有相同的形状。
print(pic.shape)print(low_pixel.shape)# 输出(1079,1293,3)
(1079,1293,3)我们使用全局比较运算符为所有像素值小于200的像素点生成低值滤波器。但是，我们也可以使用此low_pixel数组作为索引将这些低值设置为某些特定值，这些值可能高于或低于先前的像素值。
# 随机选择一个值import random
# 加载原始图像pic=imageio.imread('F:/demo_1.jpg')
# 随机设置一个值，取值范围25~225
choosenpic[low_pixel]=random.randint(25,225)
# 展示图像plt.figure(figsize=(10,10))
plt.imshow(pic)plt.show()
掩膜
图像掩膜是一种图像处理技术，被广泛用于去除具有模糊边缘、透明或毛刺部分的照片背景，看起来类似于PS中的一项技术。 下面将带领读者一起创建一个圆盘形状的掩膜。首先，我们测量从图像中心到每个边界像素值的距离，在这里采用应用比较方便的半径，然后使用逻辑运算符创建一个圆盘。这个过程很简单，如下面的代码所示：
if__name__=='__main__':
# 加载图像
pic=imageio.imread('F:/demo_1.jpg')
# 分离行和列
total_row,total_col,layers=pic.shape
''' 创建矢量，Ogrid 是一个不错的方法method of creating a
比如
>>>ogrid[0:5,0:5]
输出:
[array([[0],[1],[2],[3],[4]]),
array([[0, 1, 2, 3, 4]])]
'''x,y=np.ogrid[:total_row,:total_col]
# 获取图像的中心值
cen_x,cen_y=total_row/2,total_col/2
'''
测量从中心到每个边界像素的距离--> s**2 = (Y-y)**2 + (X-x)**2
'''
distance_from_the_center=np.sqrt((x-cen_x)**2+(y-cen_y)**2)
# 选择半径值
radius=(total_row/2)
# 使用逻辑操作符 '>'
circular_pic=distance_from_the_center>radius
'''
给所有半径外的像素值分配零值，即黑色
'''
pic[circular_pic]=0
plt.figure(figsize=(10,10))![3]
plt.imshow(pic)
plt.show()
卫星图像处理
作为edX的公开课之一，下面将介绍一些卫星图像及其处理方法，这部分内容是十分有用的，下面对其进行一些处理，做一些分析任务。
# 加载图像
pic=imageio.imread('F:\satimg.jpg')
plt.figure(figsize=(10,10))
plt.imshow(pic)
plt.show()
下面看看它的一些基本信息：
print(f'Shape of the image {pic.shape}')
print(f'hieght {pic.shape[0]} pixels')
print(f'width {pic.shape[1]} pixels')# 输出
Shapeoftheimage(3725,4797,3)height 3725 pixelswidth 4797 pixels从中可以发现一些有趣的东西，像许多其他可视化结果一样，每个rgb层中的颜色都表示对应的内容。例如，红色强弱表示像素中地理数据点的高度，蓝色强弱表示方位的度量，而绿色表示斜率，这些颜色将有助于我们以更快、更有效的方式传达信息，而不仅是显示数字。
- 红色像素表示：高度
- 蓝色像素表示：方位
- 绿色像素表示：斜率 只需看一下这张彩色图像，训练有素的眼睛就能分辨出海拔是多少，斜率是多少，方位在哪里，所以为这些颜色加载更多含义能够表示更科学的东西，一个好的想法！
检测每个通道的高像素
# 只有红色通道值,像素值高于180
pic=imageio.imread('F:\satimg.jpg')red_mask=pic[:,:,0]<180pic[red_mask]=0plt.figure(figsize=(15,15))plt.imshow(pic) # 只有绿色通道像素值，像素值高于180
pic=imageio.imread('F:\satimg.jpg')green_mask=pic[:,:,1]<180pic[green_mask]=0plt.figure(figsize=(15,15))plt.imshow(pic) # 只有蓝色通道像素值，像素值高于180
pic=imageio.imread('F:\satimg.jpg')blue_mask=pic[:,:,2]<180pic[blue_mask]=0plt.figure(figsize=(15,15))plt.imshow(pic)# 使用逻辑与的组合掩膜
pic=imageio.imread('F:\satimg.jpg')final_mask=np.logical_and(red_mask,green_mask,blue_mask)pic[final_mask]=40plt.figure(figsize=(15,15))plt.imshow(pic)