介紹
數字影象處理由涉及在計算機上處理影象的各種技術和方法組成。對影象進行各種型別的操作，構成數字影象處理。
瞭解影象實際上是什麼
影象基本上是二維訊號。訊號函式是 f（x，y），其中 x 和 y 在某個點的值生成該點的畫素。影象基本上是一個由 0 到 255 之間的數字組成的二維陣列。
影象處理涉及多種因素。影象處理有幾個主要動機。
影象處理幫助
改進我們儲存的數字資訊。
使影象處理自動化。
更好的影象最佳化，實現高效的儲存和傳輸。
這些年來，影象處理有了很大的進步，影象處理的現代商業應用也很多。
影象處理用途1。 影象校正、銳化和解析度校正
通常，我們希望我們可以將舊影象做得更好。這在今天是可能的。縮放、銳化、邊緣檢測、高動態範圍編輯都屬於這一類。所有這些步驟都有助於增強影象。大多數編輯軟體和影象校正程式碼都可以輕鬆完成這些操作。
2。 編輯應用程式和社交媒體的過濾器
如今，大多數編輯應用程式和社交媒體應用程式都提供過濾器。
以上是原始影象和過濾後的影象的示例。濾鏡使影象看起來更具視覺吸引力。濾鏡通常是一組函式，可以更改影象中的顏色和其他方面，使影象看起來不同。過濾器是影象處理的一個有趣應用。
3。 醫療技術
在醫學領域，影象處理用於各種任務，如 PET 掃描、X 射線成像、醫學 CT、紫外線成像、癌細胞影象處理等等。將影象處理引入醫療技術領域極大地改善了診斷過程。
左邊的影象是原始影象。右邊的影象是經過處理的影象。我們可以看到處理後的影象要好得多，可以用於更好的診斷。
4。 計算機/機器視覺
影象處理最有趣和最有用的應用之一是計算機視覺。計算機視覺用於使計算機看到、識別事物，並將整個環境作為一個整體進行處理。計算機視覺的一個重要用途是自動駕駛汽車、無人機等。CV 有助於障礙物檢測、路徑識別和理解環境。
這就是典型的計算機視覺對汽車自動駕駛儀的工作方式。計算機接收實時鏡頭並分析其他汽車、道路和其他障礙物。
5。 模式識別
模式識別是影象處理的一部分，涉及人工智慧和機器學習。影象處理用於找出影象中的各種模式和方面。模式識別用於手寫分析、影象識別、計算機輔助醫療診斷等。
6。 影片處理
影片基本上是影象的快速移動。影片處理中使用了各種影象處理技術。影片處理的一些方法是噪聲去除、影象穩定、幀速率轉換、細節增強等等。
Python 影象處理入門
讓我們從 Python 中的一些基本影象相關任務開始。我們將使用 PIL。
PIL：https：//pypi。org/project/Pillow/
Python 影象庫用於各種影象處理任務。
安裝
pip install pillow
安裝了PIL後，我們現在可以轉到程式碼了。
首先，我們使用一些 matplotlib 函式。
import matplotlib。image as img
import matplotlib。pyplot as plt
import numpy as np
%matplotlib inline
將讀取以下影象。它被命名為 image1。jpg。
# reading jpg image
img = img。imread（‘image1。jpg’）
plt。imshow（img）
影象被讀取。
# modifying the shape of the image
lum1 = img［：， ：， ］
plt。imshow（lum1）
現在修改了影象形狀。
現在我們將其更改為“熱”顏色圖。
要了解有關顏色圖的更多資訊，請訪問此連結：https：//matplotlib。org/stable/tutorials/colors/colormaps。html。
plt。imshow（lum1， cmap =‘hot’）
plt。colorbar（）
影象輸出看起來：
現在我們嘗試不同的顏色圖。
imgplot = plt。imshow（lum1）
imgplot。set_cmap（‘nipy_spectral’）
影象輸出：
使用顏色圖的原因是，通常在各種應用程式和用途中，擁有統一的顏色圖會有所幫助。閱讀有關顏色圖的更多資訊：在 Matplotlib 中選擇顏色圖https：//matplotlib。org/stable/tutorials/colors/colormaps。html。
現在讓我們看看為什麼我們將影象稱為二維陣列。
#data type of lum1
print（type（lum1））
輸出：
print（lum1）
［［ 92 91 89 … 169 168 169］
［110 110 110 … 168 166 167］
［100 103 108 … 164 163 164］
…
［ 97 96 95 … 144 147 147］
［ 99 99 98 … 145 139 138］
［102 102 103 … 149 137 137］］
這些點只是為了表明它們之間還有更多的資料點。但是可以肯定的是，所有資料都是數字資料。
讓我們找出陣列的大小。
len（lum1）
輸出：320
len（lum1［300］）
輸出：658
這為我們提供了影象的畫素數和尺寸：320*658。
我們稍後也會驗證這一點。
現在，我們使用 PIL。
from PIL import Image
我們將使用這個影象檔案，命名為：people。jpg。
img2 = Image。open（‘people。jpg’）
plt。imshow（img2）
影象被讀取。
現在，我們調整影象大小。
img2。thumbnail（（50， 50）， Image。ANTIALIAS） # resizes image in-place
imgplot = plt。imshow（img2）
imgplot1 = plt。imshow（img2， interpolation=“nearest”）
imgplot2 = plt。imshow（img2， interpolation=“bicubic”）
但是，為什麼我們在影象處理中故意模糊影象？通常對於模式識別和計算機視覺演算法，如果影象非常清晰，處理起來就會很困難。因此進行模糊處理以使影象平滑。模糊還可以使影象中的顏色過渡從一側到另一側更加平滑。
現在，讓我們驗證我們之前處理過的汽車影象的尺寸。
#some more interesting stuff
file=‘image1。jpg’
with Image。open（file） as image：
width， height = image。size
#Image width， height is be obtained
這些也是我們之前得到的維度。所以我們可以得出結論，影象是320*658。
讓我們也嘗試旋轉和轉置影象。
#Relative Path
img3 = Image。open（“image1。jpg”）
#Angle given
img_rot= img3。rotate（180）
#Saved in the same relative location
img_rot。save（“rotated_picture。jpg”）
這是旋轉後的影象。
#transposing image
transposed_img = img3。transpose（Image。FLIP_LEFT_RIGHT）
#Saved in the same relative location
transposed_img。save（“transposed_img。jpg”）
這是轉置後的影象。
尾註
影象處理有各種重要的應用，隨著時間的推移，方法和過程也會得到改進。
☆ END ☆
如果看到這裡，說明你喜歡這篇文章，請轉發、點贊。微信搜尋「uncle_pn」，歡迎新增小編微信「 mthler」，每日朋友圈更新一篇高質量博文。
