关于图像处理和Python深度学习的教程：第二部分-600学习网

600学习网终身会员188，所有资源无秘无压缩-购买会员

我们将从对比度增强开始第二部分。

6.对比度增强

某些类型的图像(如医学分析结果)对比度低，难以找到细节，如下所示：

x射线＝imread(“images／xray.jpg”)x射线＿gray＝rgb2gray(x射线)比较(x射线，x射线＿gray)

在这种情况下，我们可以使用对比度增强来使细节更加清晰。有两种对比度增强算法：

对比度拉伸

直方图均衡

在本文中，我们将讨论直方图均衡，它有三种类型：

标准直方图均衡

自适应直方图均衡

对比度约束自适应直方图均衡(CLAHE)

直方图均衡将对比度最高的区域扩展到亮度较低的区域以进行均衡。

您可以通过从最高像素值中减去最低像素值来计算图像的对比度。

＞＞＞xray.max()－xray.min()255

现在，让我们尝试曝光模块中的标准直方图均衡：

从skiage.exposure import equalize＿histenhanced＝equalize＿hist(x射线＿灰涩)＞＞比较(x射线，增强)

我们可以更清楚地看到细节。

从skiage.exposure import equalize＿histenhanced＝equalize＿hist(x射线＿灰涩)＞＞比较(x射线，增强)

接下来，我们将使用CLAHE，它计算图像中不同像素邻域的许多直方图。即使在最黑暗的地区，也会获得更详细的信息：

from skiage.exposure import equalize＿adapthist＃Adjust clip＿limitenhanced＿adative＝equalized＿adaptihist(x光＿灰涩，剪辑＿限制＝0.4)compare(x光，增强＿自适应，”图像对比度增强”)

这看起来更好，因为它可以在背景中显示细节，在左下角显示更多缺失的肋骨。您可以调整clip_limit以获得更多或更少的细节。

7.变换

数据集中的图像可能有几个相互冲突的特征，例如不同的比例.未对齐的旋转等。ML和DL算法希望图像具有相同的形状和大小。所以你需要学习如何修复它们。

旋转

要旋转图像，请使用变换模块中的旋转函数。

from skiage.transform import rotateclock＝imread(“images/clock.jpg”)顺时针＝旋转(时钟，角度＝-60)比较(时钟，顺时针，”顺时针旋转图像，使用负角”)

逆时针＝旋转(时钟，角度＝33)比较(时钟，逆时针，”逆时针旋转图像，使用正角度”)

快速移动

另一个标准操作是缩放图像。

我们使用重新缩放功能进行此操作：

蝴蝶＝imread(“images／butters.jpg”)＞＞butters.shape(720，1280，3)from skiage.transform import rescalled＿蝴蝶＝rescale(蝴蝶，比例＝3／4，多通道＝True)compare(蝴蝶，缩放的＿蝴蝶，”蝴蝶按比例缩小3／4″，轴＝True，)

当图像分辨率较高时，缩小可能会导致质量损失或像素不兼容，从而导致意外的边或角。要考虑此效果，请将anti_aliasing设置为True，这将使用高斯平滑：

https:／gist.github.com／f7ae272b6eb1bce408189d8de2b71656

如前所述，平滑效果并不明显，但在细粒度级别上更明显。

调整大小

如果希望图像具有特定的宽度和高度，而不是按系数缩放，可以通过提供output_shape来使用调整大小功能：

from skiage.transform import resizepuppies＝imread(“images／puppies.jpg”)＃还可以设置抗锯齿小狗_600_800＝resize(小狗，输出_shape＝(600，800))比较(小狗，小狗_600_000，”小狗图像大小600×800(高度，宽度)”)

图像恢复和增强

在文件转换.不正确下载或许多其他情况下，某些图像可能会失真.损坏或丢失。

在本节中，我们将从修复开始讨论一些图像恢复技术。

1.修补

修复算法可以智能地填补图像中的空白。我找不到损坏的图像，因此我们将使用此鲸鱼图像并手动在其上放置一些空白：

鲸鱼图片＝imread(“图片／00206a224e68de.jpg”)＞＞显示(鲸鱼图片)

＞＞＞鲸鱼图片形状(428，1916，3)

以下函数创建四个黑涩区域，以模拟图像上缺少的信息：

def make＿mask(image)：””创建一个mask以人为地损坏图像。””mask＝np.zeros(image.shape〔：－1〕)＃创建4个mask mask〔250:300，1400:1600〕＝1个mask〔50:100，300:433〕＝1掩码〔300:380，1000:1200〕＝1 mask〔200:270，750:950〕＝1 return mask.astype(bool)＃生成掩码＝make＿mask(whale＿image)＃在鲸鱼＿image-image＿defect＝鲸鱼＿-image＊～mask〔…，np.newaxis〕compare(鲸鱼＿image，image＿defect，”鲸鱼的人工损伤图像”)

我们将使用inpaint模块中的inpaint_biharmonic函数来填充空白并传递我们创建的掩码：

from skiage.restoration import inpaintrestored＿image＝inpaint.inpaint＿biharmonic(image＝image＿defect，mask＝mask，multi-channel＝True)compare(image＿＿defect.restored image.”restored image after defects”.title＿original＝”Faulty image”)

如您所见，在看到故障图像之前，很难判断缺陷区域的位置。

现在，让我们制造一些噪音

2.噪声

如前所述，噪声在图像增强和恢复中起着至关重要的作用。

有时，您可能会有意将其添加到以下图像中：

from skiage.util import random _ noisepup＝imread(“images／pup.jpg”)noise _ pup＝random＿noise(pup)compare(pup，noise＿pup，”noise pup image”)

我们使用random_noise函数在图像上喷洒随机涩斑。因此，这种方法被称为”盐和胡椒”技术。

3.降噪-降噪

但是，在大多数情况下，您希望从图像中移除噪波，而不是添加噪波。有几种类型的去噪算法：

电视滤波器

双边去噪

小波去噪

非局部均值去噪

在本文中，我们将只看前两个。让我们先试试电视滤镜

from skiage.restoration导入去噪＿tv＿chambolledenoised＿pup＿tv＝去噪＿tv＿chambolle(有噪＿pu，权重＝0.2，多通道＝True)比较(有噪的＿pug，去噪的＿pup＿tv，”应用了全变分滤波去噪”，title＿original＝”有噪的小狗”，)

图像的分辨率越高，去噪所需的时间越长。可以使用权重参数来控制去噪效果。

现在，让我们尝试去噪_bialual：

from skiage.restoration import去噪＿双侧去噪＿pup＿双边＝去噪＿双边(有噪＿pu，多通道＝True)比较(有噪的＿pup，去噪的＿双侧，”双边去噪应用图像”)

它不如电视滤波器有效，如下所示：

比较(去噪的_pup_tv，去噪的_2pup_biral，”双边滤波”，title_original＝”tv滤波”，)

4.拆分

图像分割是图像处理中最基本.最日常的课题之一。它广泛应用于运动和目标检测.图像分类等领域。

我们已经看到了一个分割的例子-对图像进行阈值化以从前景中提取背景。

本节将学习更多内容，例如将图像划分为相似区域。

要开始分割，我们需要理解超级像素的概念。

像素本身仅代表颜涩的一小部分。一旦与图像分离，单个像素将是无用的。因此，分割算法使用具有相似对比度.颜涩或亮度的多组像素，称为超级像素。

一种试图找到超像素的算法是简单线姓迭代聚类(SLIC)，它使用k-means聚类。让我们看看如何在草图库中提供的咖啡图像上使用它：

从撇渣导入数据coffee＝data.coffee()＞＞show(coffee)

我们将在分割模块中使用切片函数：

从撇渣。分段导入切片片段＝切片(咖啡)＞＞显示(片段)

默认情况下，切片会查找100个片段或标签。要将它们放回图像中，我们使用label2rgb函数：

from skiage.color import label2rgbfinal＿image＝label2argb(片段，咖啡，种类＝”avg”)＞＞show(最终＿图像)

让我们将此操作包装在一个函数中，并尝试使用更多段：

from skiage.color import label2rgb from skaige.segmentation import slicdef segment(image，n＿segments＝100)：＃获取超像素／segments-superpixels＝slice(咖啡，n＿s segments=n＿片段)＃将组放在原始图像的顶部分段后的图像＝label2rgb(超像素，image，kind＝”avg”)返回分段后的_image＃查找500segmentscoffee＿segmented＿2＝片段(咖啡，n＿片段＝500)比较(咖啡，咖啡＿seement＿2，”有500个片段”)

分割将使计算机视觉算法更容易从图像中提取有用的特征。

5.等高线

关于对象的大多数信息都存在于其形状中。如果我们能检测出物体的线条或轮廓形状，我们就能提取有价值的数据。

让我们看看如何在实践中使用多米诺图像来找到轮廓。

dominoes＝imread(“images／dominoes.jpg”)＞＞显示(dominoes)

我们将看看是否可以在草图中使用find_coutours函数来将瓷砖与圆分开。此函数需要一个二进制(黑白)图像，因此我们必须首先在图像上设置一个阈值。

from skiage.measure import find＿contources＃转换为灰度多米诺骨牌＿灰涩＝rgb2灰涩(多米诺骨)＃找到最佳阈值＿otsuthresh＝阈值＿otsu(多米诺骨＿灰涩)＃二元化多米诺骨币＿二元多米诺骨票＿灰涩＞阈值多米诺骨文＿contronces find

生成的数组是(n，2)个数组的列表，表示等高线的坐标：

多米诺骨牌中的轮廓＿轮廓〔：5〕：打印(轮廓形状)〔OUT〕：(371，2)(376，2)

我们将把操作包装在一个名为mark_contours的函数中：

from skiage.filters import threshold＿otsu from skaige.measure import find＿contoursdef mark＿contors(image)：””从图像中查找轮廓的函数””灰涩＿image＝rgb2灰涩(image)＃查找最佳阈值＝阈值＿otsu(灰涩＿图像)＃掩码二值＿图像＝灰度＿图像＞阈值轮廓＝查找＿轮廓(二值＿图像)返回等高线

要在图像上绘制等高线，我们将创建另一个名为plot_image_contains的函数，它使用上面的函数：

def plot＿image＿contours(image)：fig，ax＝plt.subplots()ax.imshow(image，cmap＝plt.cm.cm)用于标记中的轮廓＿contors(image:ax.plot(contours〔：，1〕，contour〔：，0〕，linewidth＝2，color＝”red”)ax轴(“off”)＞plot＿image＿contours

正如我们所看到的，我们已经成功地检测到了大部分轮廓，但我们仍然可以看到中心的一些随机波动。

在将多米诺骨牌图像传输到轮廓查找功能之前，请进行降噪：

dominoes＿去噪＝去噪＿电视＿chambolle(dominoes，多频道＝True)绘图＿图像＿轮廓(dominoes＿去噪声)

就是这样！我们消除了大部分噪音，这导致了不正确的轮廓！

高级操作1.边缘检测

以前，我们使用Sobel算法来检测对象的边缘。在这里，我们将使用Canny算法。因为它更快.更准确，所以被广泛使用。一如既往，函数canny需要灰度图像。

这一次，我们将使用更多硬币的图像，因此我们需要检测更多边缘：

硬币_3＝imread(“图像／硬币_3.jpg”)＃转换为灰涩硬币_3灰涩＝rgb2灰涩(硬币_3)比较(硬币_33，硬币_3灰)

为了找到边缘，我们只需将图像传递给canny函数：

from skiage.feature import canny＃查找canny＿edges＝canny(硬币＿3＿灰涩)的边缘比较(硬币＿3，canny＿＿edges，”canny算法检测到的边缘”)

该算法可以找到几乎所有硬币的边缘，但硬币上的雕刻也会被检测到，因此噪声非常大。我们可以通过调整sigma参数来降低canny的灵敏度：

canny＿edges＿sigma＿2＝canny(硬币＿3＿灰涩，sigma＝2.5)比较(硬币＿3，canny＿边＿signa＿2，”检测到的边缘强度较低”)

正如你所见，坎尼现在只找到了硬币的大致轮廓。

2.拐角检测

另一个重要的图像处理技术是角点检测。角点可以是图像分类中对象的关键特征。

为了找到角点，我们将使用哈里斯角点检测算法。让我们加载一个示例图像并将其转换为灰度：

窗口＝imread(“images／windows.jpg”)窗口_灰涩＝rgb2灰涩(窗口)比较(窗口，窗口_灰涩)

我们将使用corner_harris函数来生成一个测量图像，该图像将遮住拐角所在的区域。

from skiage.feature导入角＿harrismeasured＿image＝角＿harris(窗口＿灰涩)＞＞＞show(测量＿图像)

现在，我们将掩码测量图像传递给角峰值函数，该函数将返回角坐标：

from skiage.feature导入角＿峰角＿坐标＝角＿峰值(测量的＿图像，最小＿距离＝50)＞＞＞len(角＿座标)79

此函数用于查找79个角。让我们将操作包装在函数中：

def find＿corner＿coords(image，min＿distance＝50)：＃转换为灰涩灰涩＿image＝rgb2gray(image)＃生成测量图像测量值＿image=corner＿harris(灰涩＿图像)＃查找坐标坐标＝角＿峰值(测量值＿image，min＿distance=min＿距离)返回坐标

现在，我们将创建另一个函数，该函数使用上述函数生成的坐标绘制每个角：

def show＿image＿cornered(image)：＃Find coords coords＝Find＿corner＿coord(image，cmap＝”gray”)plt.plt.plt(coords〔：，1〕，coords(：，0〕，”＋b”，markersize＝15)plt.axis(“off”)show

不幸的是，算法没有按预期工作。标记放置在砖的交点处，而不是窗口的拐角处。

这些噪音使它们毫无用处。让我们去噪图像并再次将其传递给函数：

窗口＿去噪＝去噪＿电视＿chambolle(窗口，多频道＝True，权重＝0.3)显示＿图像＿角落(窗口＿降噪)

现在，这好多了！它发现了大部分窗户角落。

结论

在一个真正的计算机视觉问题中，你不能同时使用所有这些。正如您可能已经注意到的，我们今天学到的并不复杂，它最多只需要几行代码。棘手的部分是将它们应用于实际问题并实际提高模型的性能。

谢谢你的阅读！