使用Python处理图像

Python的Scikit-image图书馆

>图像处理：实用指南

> 1911年的报纸编辑著名地​​说：“使用图片。这是一千个字。” 这突出了图像在交流中所扮演的至关重要的角色，从日常照片到MRIS和Ultrasounds等专业医学扫描。 图像采集方法差异很大 - 皮肤癌图像的Dermatoscopes，用于个人照片的数码相机以及用于休闲快照的智能手机。但是，可能会出现诸如模糊的图像缺陷，通常是由于采集过程而引起的。 那呢？ 在处理预先存在的医学图像时，重新成像不是一个选择。这是图像处理技术变得无价之宝。

牛津词典定义的图像处理是“对数字化图像的分析和操纵，尤其是为了提高其质量。” 这种数字操作需要使用编程语言，而Python具有强大的库，是一个绝佳的选择。 本教程使用Python的

库演示了基本的图像处理任务。scikit-image>

>灰度刻有图像

库简化了图像操纵。 我们将首先将颜色图像转换为灰度。 库的scikit-image函数加载了图像，imread()>使用亮度计算将其转换为灰度：rgb2gray()

L = 0.2125*R 0.7154*G 0.0721*B

这是Python代码：>

产生的灰度图像：

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()

应用过滤器

图像过滤通过诸如边缘增强，锐化和平滑的操作来增强图像。 我们将应用SOBEL过滤器以进行边缘检测：

（注意：如果图像不是2D；确保正确的图像格式，可能会出现警告。）

from skimage import io, filters

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

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

>

索贝尔过滤图像：

其他过滤器，例如用于模糊的高斯滤波器，提供了进一步的图像操纵功能。 标准偏差参数控制强度模糊。

高斯滤波器结果（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)

阈值

阈值将灰度图像转换为二进制图像（黑色和白色）。 我们使用平均灰度值作为阈值：

阈值图像：

结论

scikit-image>提供广泛的图像处理功能。 探索其广泛的文档以获取更先进的技术。 对于有兴趣学习Python的人，很容易获得全面的教程。

以上是使用Python处理图像的详细内容。更多信息请关注PHP中文网其他相关文章！