使用Python處理圖像

Python的Scikit-image圖書館

>圖像處理：實用指南

> 1911年的報紙編輯著名地​​說：“使用圖片。這是一千個字。” 這突出了圖像在交流中所扮演的至關重要的角色，從日常照片到MRIS和Ultrasounds等專業醫學掃描。 圖像採集方法差異很大 - 皮膚癌圖像的Dermatoscopes，用於個人照片的數碼相機以及用於休閒快照的智能手機。但是，可能會出現諸如模糊的圖像缺陷，通常是由於採集過程而引起的。 那呢？ 在處理預先存在的醫學圖像時，重新成像不是一個選擇。這是圖像處理技術變得無價之寶。

牛津詞典定義的圖像處理是“對數字化圖像的分析和操縱，尤其是為了提高其質量。” 這種數字操作需要使用編程語言，而Python具有強大的庫，是一個絕佳的選擇。 本教程使用Python的

庫演示了基本的圖像處理任務。 scikit-image>

>灰度刻有圖像

庫簡化了圖像操縱。 我們將首先將顏色圖像轉換為灰度。 庫的scikit-image函數加載了圖像，imread()>使用亮度計算將其轉換為灰度：rgb2gray()

L = 0.2125*R 0.7154*G 0.0721*B

這是Python代碼：>

產生的灰度圖像：

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()

應用過濾器

圖像過濾通過諸如邊緣增強，銳化和平滑的操作來增強圖像。 我們將應用SOBEL過濾器以進行邊緣檢測：

（注意：如果圖像不是2D；確保正確的圖像格式，可能會出現警告。）

from skimage import io, filters

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

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

>

索貝爾過濾圖像：

其他過濾器，例如用於模糊的高斯濾波器，提供了進一步的圖像操縱功能。 標準偏差參數控制強度模糊。

高斯濾波器結果（σ= 10和σ= [20,1]）：>

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)

閾值

閾值將灰度圖像轉換為二進製圖像（黑色和白色）。 我們使用平均灰度值作為閾值：

閾值圖像：

結論

scikit-image>提供廣泛的圖像處理功能。 探索其廣泛的文檔以獲取更先進的技術。 對於有興趣學習Python的人，很容易獲得全面的教程。

以上是使用Python處理圖像的詳細內容。更多資訊請關注PHP中文網其他相關文章！