Julia 机器视觉入门

在科学计算中，像机器视觉、医学3D图像处理（如CT图像重建）都是常见的话题，Images库正是为此而设计，而且目前这个领域也是相对而言比较成熟的。

温馨提示： 在 Julia 的 REPL 环境下，可以使用 查看当前的工作目录，并可以使用 切换到新的工作目录。

安装相应的包

依赖可能比较复杂，大家看到 哪个包，请在 REPL 输入 ，自行 和构建。

以下代码用到的测试图片：

测试一下

效果如下：

这样，就可以开始愉快的玩耍了。

除了从本地加载图片，也可以通过网络获取图片。

预祝，圣诞节快乐！

测试图像集

计算机视觉有一些经典的测试图片。可以通过 包获取。

这样，在工作目录下，应该可以看到这张经典的山魈(xiao)的图片。

基本图像处理

调整图片大小

获取图片大小：

重新调整图片大小到 100 × 250。（悄悄告诉你，× 是在 REPL 下输入 获取的）:

效果如下：

按比例缩放图片： 假如需要把图片放缩到原来图片的 60%，可以计算出新的图片尺寸，然后再进行放缩。因为 返回的是两个元素的元组，因此需要使用 。 则是找到和计算出来值最接近的整数。

类似的原理，可以对某一个维度进行单独的放缩。

在 Images 包中还提供了 ，可以将图像的大小沿着指定的维度减少两倍。换句话说，它将图片缩放 50%。

如果第二个参数填的是2，则缩放的是宽度。

旋转图片

图片旋转也是非常常见的操作。这个操作可以在 中找到。

裁剪图片

灰度图像

计算机视觉的操作中，最常见的操作就是把图像转化成灰度图。在 Julia 中，可以使用 函数完成该操作。

不过需要记住， 返回单个维度，而不是 RGB 图像的三维。可以使用 将单通道灰度图像转换为三通道灰度 RGB 图像：

图像二值化

对于图片数据集，预处理的时候通常会将图片进行二值化，这在识别和处理文本时非常常见（准确地说，是轮廓与线条）。在 Julia 中，只需使用一行代码：

这一行包含了三个操作，第一，将图片转换成灰度图像（ ）。第二，超过 0.5 设置为 true，低于 0.5 的设置为 。第三，通过乘以1，将布尔值转换为 0 和 1。

模糊图像

图像处理中，高斯模糊被广泛地应用于减少图像细节和获取模糊效果。要在 Julia 中使用高斯模糊，可以使用 和 函数。

这样就得到这样一张图片：

锐化图像

图像锐化用来补偿图像的轮廓，增强图像的边缘，可以使得图像变得更加清晰。下面代码采用的是高斯低通滤波对图像进行锐化处理。简单的说，原始的图像 + 原始图像 - 高斯低通滤波后的图像 = 锐化的图像。

通过调整 和 参数可以得到不同程度的锐化效果。 推荐设置在 1 到 4 之间，而 推荐设置在 0.1 到 0.5。

最后

Julia 目前慢慢地稳定下来，常用的包也逐渐支持1.0了。计算机视觉还有很多可以写的，有机会接着写咯。这篇文章相对而言比较简单，Julia 基础设施非常完善，像图像这种矩阵型数据其实特别适合用 Julia 来处理。我们也可以看到，Julia 非常轻松地驾驭了这一领域。最后，我也和大家一样，期待 Julia 在更多领域得到应用。