使用Numpy和Opencv完成基本圖像的數據分析（1）

使用Numpy和Opencv完成基本圖像的數據分析（1）

來自專欄我是程序員53 人贊了文章

摘要： 隨著科技的進步，使用Python包訪問數字圖像的內部變得更容易理解其屬性和性質，掌握對數字圖像處理的能力顯得是十分有必要。

對於深度學習而言，很多任務都是與數字圖形處理打交道。這類任務的數據集一般是由很多張圖像構成，有時候，當原始圖像不能直接送入模型中時，需要對其進行一定的預處理操作，這時候就不得不向大家介紹一個十分有用的軟體包OpenCV，用它處理圖像起來非常方便，OpenCV是一個基於BSD許可發行的跨平台計算機視覺庫，它輕量且高效，是由一系列C函數和少量C++類構成，支持Python、MATLAB等語言介面，內部包含了很多圖像處理的相關演算法。下面將向大家介紹如何使用NumPy和OpenCV對數字圖像進行簡單的處理方法：

關於像素的一些知識

在程序世界裡，圖像輸入到計算機中時，與人眼所見的圖像的形式不太一樣。計算機將圖像存儲為類似於馬賽克的小方塊，就像古老的方塊馬賽克藝術的形式。如果方形塊太大，那麼就很難製作出光滑的邊緣和曲線。使用的方塊越小，則越平滑，或者說圖像的像素就越少，方塊的大小有時候也被稱為圖像的解析度。

矢量圖像是存儲圖像的一些不同方法，目的是為了避免與像素相關的問題。但是，即使是矢量圖像，最終也會顯示為像素級的馬賽克。像素一詞表示圖像元素，描述每個像素的簡單方法是使用三種顏色的組合，即紅色（Red），綠色（Green），藍色（Blue），即我們平時所說的RGB圖像。

在RGB圖像中，每個像素由分別與紅色，綠色，藍色的值相關聯的三個8比特數表示。假設使用放大鏡觀察，如果我們放大圖片，就會看到圖片是由微小的光點或更加具體的像素組成，更有趣的是，看到的那些小光點實際上是多個微小不同顏色的小光點，且顏色只有紅色、綠色和藍色。

假設現在從遠處觀察，創建一張圖像，可以看到一張圖像實際上由像素點值的開關決定（像素值為1表示開，像素值為0表示關），這些開關組合創建了圖像，基本上，我們每天在屏幕上看到的圖像都是這種。

每張圖像都以數字形式的像素組成，像素是構成圖片的最小信息單位，通常是圓形或方形，且位於二維網格中。

現在，如果RGB三個值都處於全強度，這意味著其組合值為255，該值表示為白色，如果所有三種顏色都被減弱，或者值設置為0，其值表示為黑色。反過來，三者的不同組合將為我們提供不同特定的像素顏色。由於每個數字都是8比特，因此像素值的取值範圍為0-255，從下圖可以看到，但R的強度為37.3%，G的強度為45.9%，B的強度為18.8%時，組合成的顏色為深綠（dark green）。

三種顏色的不同組合將產生不同的顏色，由於每個值可以具有256個不同的強度或亮度值，因此總共有1680萬（256 x 256 x 256）種不同組合。

圖像的基本知識介紹完畢後進入正題，以下內容將包含Numpy非常基本的圖像數據分析、還有一些Python數據包，比如imageio，matplotlib等。本系列博客內容結構如下，先介紹前三個部分：

• 導入圖像並觀察其屬性
• 拆分圖層
• 灰度化
• 對像素值使用邏輯運算符
• 使用邏輯運算符進行掩碼
• 衛星圖像數據分析

導入圖像

下面載入圖像並觀察其各種屬性。注意，在輸入下面代碼請確保好已經安裝好對應的python數據包。

if__name__==__main__:importimageioimportmatplotlib.pyplotasplt%matplotlibinlinepic=imageio.imread(F:/demo_2.jpg)plt.figure(figsize=(15,15))plt.imshow(pic)

觀察圖像的基本屬性

rint(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))

其輸出

Type of the image :<class imageio.core.util.Image>

Shape of the image : (562, 960, 3)

Image Hight 562Image Width 960Dimension of Image 3

ndarray的形狀表明它是一個三維矩陣，輸出結果的前兩個數字分別表示高度（height）和寬度（width），第三個數字（即3）表示是該圖像是三通道彩色圖：紅色、綠色和藍色。因此，如果我們計算RGB圖像的大小，則總像素大小將是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 1618560Maximum RGB value in this image 255Minimum RGB value in this image 0

這些值對於驗證而言是很重要的，因為8位顏色強度不能超出0到255範圍。

使用圖片可以分配變數，此外還可以訪問圖像的任何特定像素值，並且還可以分別訪問每個RGB通道。

pic[100, 50 ]Image([109, 143, 46], dtype=uint8)

在這種情況下：R = 109、G = 143、 B = 46，從這個配置可以看出該像素中有很多綠色，也可以通過三個通道的索引值來從中選擇出一個。根據一般規定：

• 索引0表示紅色通道
• 索引1表示綠色通道
• 索引2表示藍色通道
  但在OpenCV中，Images並不是按照RGB的順序規定，而是BGR。 imageio.imread將圖像載入為RGB（或RGBA），但OpenCV假定圖像為BGR或BGRA（BGR是OpenCVcolour的默認的式）。

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 109Value of only G channel 143Value of only B channel 46

現在快速查看整個圖像中每個通道表示的圖像。

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的數值。例如，將下面行的紅色、綠色、，藍色圖層的值全部設置為全強度，即取值為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

  本次測試只在一張圖像上進行綜合處理，方便我們同時查看每個通道的值對圖像的影響。

pic =imageio.imread(F:/demo_2.jpg)pic[50:150 , : , 0] =255# full intensity to those pixels R channelplt.figure( figsize= (10,10))plt.imshow(pic)plt.show()

pic[200:300 , : , 1] =255# full intensity to those pixels G channelplt.figure( figsize= (10,10))plt.imshow(pic)plt.show()

pic[350:450 , : , 2] =255# full intensity to those pixels B channelplt.figure( figsize= (10,10))plt.imshow(pic)plt.show()

為了更加清楚地對比分析，我們也改變部分列的像素值，這次測試同時更改RGB通道的值。

pic[50:450 , 400:600 , [0,1,2] ] =200plt.figure( figsize= (10,10))plt.imshow(pic)plt.show()

拆分圖層

通過以上測試，可以知道，圖像的每個像素點都是由三個整數表示。只需要拉出圖像陣列的正確切片，就可以將圖像分割成單獨的顏色分量。

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 matrixsplit_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

黑白圖像存儲在二維矩陣中，目前存在兩種類型的黑白圖像：

• 灰度：灰色陰影的範圍：0~255
• 二進位：像素為黑色或白色：0或255
  灰度處理過程，就是將圖像從全彩色轉換為灰度圖。在圖像處理工具中，例如：在OpenCV中，在使用很多含住之前，需要將圖像進行灰度處理，這樣做是因為灰度處理簡化了圖像，幾乎像降噪一樣，這是因為灰度圖像中的信息比較少。

在python中有兩種方法可以將圖像轉換為灰度。但是，更直接的方法是使用matplotlib包，該包執行的操作是獲取原始圖像的RGB值後進行加權平均。

Y = 0.299 R + 0.587 G + 0.114 Bpic=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()

而通過GIMP將顏色轉換為灰度圖像有三種演算法來完成任務：

• 亮度（Lightness）灰度等級計算為
  Lightness = ?×(max(R,G,B)+ min(R,G,B))
• 照明度(Luminosity)灰度級將計算為
  Luminosity= 0.21×R + 0.7×G + 0.07×B
• 平均亮度灰度級將計算為
  Average Brightness=(R + G + B)÷3

下面讓我們嘗試實現一下這三個演算法中的一種吧，本文選擇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 562Image Widht 960Dimension of Image 2 Image size 539520Maximum RGB value in this image 254.9999999997Minimum RGB value in this image 0.0Random indexes [X,Y] : 129.07

從圖中可以看到，圖像變為了灰度圖，且圖像矩陣變為了二維矩陣。

後續內容等待更新。

作者信息

Mohammed Innat，機器學習和數據科學研究者

本文由阿里云云棲社區組織翻譯。

文章原標題《Basic Image Data Analysis Using Numpy and OpenCV – Part 1》，譯者：海棠，審校：Uncle_LLD。

文章為簡譯，更為詳細的內容，請查看原文。

更多技術乾貨敬請關注云棲社區知乎機構號：阿里云云棲社區 - 知乎

推薦閱讀：