Bildverarbeitung mit Python

Bildverarbeitung mit Pythons Scikit-Image-Bibliothek: Ein praktischer Leitfaden

Ein Zeitungsredakteur von 1911 erklärte berühmt: "Verwenden Sie ein Bild. Es ist mehr als tausend Worte wert." Dies unterstreicht die entscheidenden Rolle, die Bilder in der Kommunikation spielen, von alltäglichen Fotografien bis hin zu speziellen medizinischen Scans wie MRIS und Ultraschall. Die Bildaufnahmemethoden variieren stark - die matoskopen für Hautkrebsbilder, Digitalkameras für persönliche Fotos und Smartphones für lässige Schnappschüsse. Bildunfälle wie Unschärfe, die häufig aus dem Erwerbsprozess zurückzuführen sind, können jedoch entstehen. Was dann? Beim Umgang mit bereits bestehenden medizinischen Bildern ist eine Wiederherstellung keine Option. Hier werden die Bildverarbeitungstechniken von unschätzbarem Wert.

Bildverarbeitung, wie von Oxford Dictionaries definiert, ist "die Analyse und Manipulation eines digitalisierten Bildes, insbesondere um seine Qualität zu verbessern". Diese digitale Manipulation erfordert die Verwendung von Programmiersprachen, und Python mit ihren leistungsstarken Bibliotheken ist eine ausgezeichnete Wahl. Dieses Tutorial zeigt grundlegende Bildverarbeitungsaufgaben mithilfe von Pythons scikit-image Bibliothek.

Grauten ein Bild

Die scikit-image Bibliothek vereinfacht die Bildmanipulation. Wir werden zunächst ein Farbbild in Graustufen umwandeln. Die Funktion der Bibliothek imread() lädt das Bild und wandelt es mit einer Luminanzberechnung in Graustufen um: rgb2gray()

L = 0.2125*R 0.7154*G 0.0721*B

Hier ist der Python -Code:

from skimage import io, color

img = io.imread('pizzeria.png')
img_grayscale = color.rgb2gray(img)

io.imsave('gray-pizzeria.png', img_grayscale)
io.imshow(img_grayscale)
io.show()

Das resultierende Graustufenbild:

Filter anwenden

Bildfilterung verbessert Bilder durch Operationen wie Kantenverbesserung, Schärfen und Glättung. Wir werden den Sobelfilter zur Kantenerkennung anwenden:

from skimage import io, filters

img = io.imread('pizzeria.png')
sobel_a = filters.sobel(img)

io.imsave('sobel-filter.png', sobel_a)

(Hinweis: Eine Warnung kann angezeigt werden, wenn das Bild nicht 2D ist; sicherstellen Sie das richtige Bildformat.)

Das Sobel-filterierte Bild:

Andere Filter, wie der Gaußsche Filter für Unschärfe, bieten weitere Bildmanipulationsfunktionen. Der Standardabweichungsparameter steuert die verwischende Intensität.

from skimage import io, color, filters

img = io.imread('pizzeria.png')
gaussian_a = filters.gaussian(img, 10)
gaussian_b = filters.gaussian(img, [20, 1])

io.imsave('gaussian-filter-10.png', gaussian_a)
io.imsave('gaussian-filter-20-1.png', gaussian_b)

Gaußsche Filterergebnisse (σ = 10 und σ = [20,1]):

Schwellenwert

Schwellenwert wandelt ein Graustufenbild in ein binäres Bild (schwarz und weiß) um. Wir verwenden den mittleren Graustufenwert als Schwellenwert:

from statistics import mean
from skimage import io, filters, util

img = io.imread('pizzeria.png', as_gray=True)

mean_threshold = filters.threshold_mean(img)
print(mean_threshold)

binary = img > mean_threshold
binary = util.img_as_ubyte(binary)

io.imsave('threshold-filter.png', binary)

Das Schwellenwertbild:

Schlussfolgerung

scikit-image bietet eine Vielzahl von Bildverarbeitungsfunktionen. Untersuchen Sie die umfangreiche Dokumentation für fortschrittlichere Techniken. Für diejenigen, die am Lernen von Python interessiert sind, sind umfassende Tutorials verfügbar.

Das obige ist der detaillierte Inhalt vonBildverarbeitung mit Python. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!