jupyter入门之图像处理

scipy图片处理

导入库

import numpy as np
import pandas as pd
from pandas import Series,DataFrame
# 图像处理库
import matplotlib.pyplot as plt
%matplotlib inline
# scipy.fftpack模块用来计算快速傅里叶变换
# 速度比传统傅里叶变换更快，是对之前算法的改进
# 图片是二维数据，注意使用fftpack的二维转变方法
from scipy.fftpack import fft2,ifft2
# 积分库
from scipy.integrate import quad

图片消噪

示例，登月图片消噪

moon = plt.imread('moonlanding.png')# 灰度化处理的图片
plt.imshow(moon,cmap='gray')# 时域-频域
fft_data = fft2(moon)# 滤波，把高频波滤掉
# > 后边的值需要自己调节
condition = np.abs(fft_data) > 2e3
fft_data[np.where(condition)] = 0# 频域--时域
ifft_data = ifft2(fft_data)plt.imshow(np.real(ifft_data),cmap='gray')# jpg图像  0-255之间的整数
# png图像  0-1之间的小数

灰度处理

# 读取图片
pujing = plt.imread('pujing.jpg')
# 查看维度
pujing.shape
>>> (354, 500, 3)
# 去除色彩
pujing.mean(axis=2).shape
>>> (354, 500)
# 灰度处理
plt.imshow(pujing.mean(axis=2),cmap='gray')

数值积分，求解圆周率

integrate 对函数(1 - x^2)^0.5进行积分

f = lambda x:(1-x**2)**0.5
# 绘制区间
x = np.linspace(-1,1,100)
y = f(x)
plt.figure(figsize=(4,4))
plt.plot(x,y)
plt.plot(x,-y)

使用scipy.integrate进行积分，调用quad()方法

# 返回值第一个是面积，第二个是误差
area,err = quad(f,-1,1)
# area*2是整圆的面积
p = area*2/1**2
print(p)
>>> 3.1415926535897967

scipy文件输入/输出

随机生成数组，使用scipy中的io.savemat()保存文件格式是.mat，标准的二进制文件

n = np.random.randint(0,100,size=10)
>>> array([28, 90, 21, 45, 75, 42, 76, 58,  1, 49])
# 导入io库
import scipy.io as io
# 存储二进制  文件路径默认是.mat，可以省略
# mdict用于传递要写入本地的数据，字典的键自由定制
io.savemat('dancer',mdict={'data':n})
# 使用io.loadmat()读取数据
io.loadmat('dancer.mat')['data']
>>> array([[28, 90, 21, 45, 75, 42, 76, 58,  1, 49]])
# 读写图片使用scipy中misc.imread()/imsave()
# 旧版读取
import scipy.misc as misc
misc.imread('pujing.jpg')
# 读取
import imageio as imgio
pujing = imgio.imread('pujing.jpg')
# 存储
pjgray = np.uint8(pujing.mean(axis=2))
imgio.imsave('gray_pujing.jpg',pjgray)

misc的rotate、resize、imfilter操作

# 旋转90度
plt.imshow(misc.imrotate(pujing,angle = 90))
import skimage.transform as transform
import imageio as misc
pujing = misc.imread('pujing.jpg')
transform.rotate(pujing,angle=90)
# output_shape 指定元组，会对图片进行变形压缩
# mode参数的默认值conctant需要修改，因为即将被remove
# 该拜年大小
plt.imshow(transform.resize(pujing,output_shape=(100,100),mode='symmetric'))
# 'blur', 'contour', 'detail', 'edge_enhance', 'edge_enhance_more',
# 'emboss', 'find_edges', 'smooth', 'smooth_more', 'sharpen'
# 类似于滤镜
plt.imshow(misc.imfilter(pujing,'emboss'))

scipy.ndimage图片处理

import scipy.ndimage as ndimage
# misc库自带的一张图片，可以快速读取一张小浣熊
img = misc.face(gray=True)

使用scipy.misc.face(gray=True)获取图片，使用ndimage移动坐标、旋转图片、切割图片、缩放图片

shift移动坐标

# constant', 'nearest', 'reflect', 'mirror' ,'wrap'
plt.imshow(ndimage.shift(img,shift=[100,200],mode='wrap'),cmap='gray')

rotate旋转图片

zoom缩放图片

使用切片切割图片

图片进行过滤

添加噪声，对噪声图片使用ndimage中的高斯滤波、中值滤波、signal中维纳滤波进行处理

使图片变清楚

加载图片，使用灰色图片misc.face()添加噪声

gaussian高斯滤波参数sigma：高斯核的标准偏差

median中值滤波参数size：给出在每个元素上从输入数组中取出的形状位置，定义过滤器功能的输入

signal维纳滤波参数mysize：滤镜尺寸的标量

pandas中的绘图函数

线形图

导入库

# 三剑客
import numpy as np
import pandas as pd
from pandas import Series,DataFrame
# 图像处理函数
import matplotlib.pyplot as plt
%matplotlib inline

示例

# 连续100天内，某一支股票价格的变化，可以采用线型图来表示
s1 = Series(data=np.random.randint(0,10,size=100))
s1.plot()

# 绘制多条股票变化趋势
# 在同一个cell中，绘制多个对象的图
s2 = Series(data=np.random.randint(0,100,size=100))
s2.cumsum().plot()
s1.cumsum().plot()

图例的位置可能会随着数据的不同而不同

柱状图

Series柱状图示例,kind = 'bar'/'barh'

s1 = Series(data=[100,80,99,80,78,76,22,90,100],index=list('123456789'))
s1.plot(kind='bar')

DataFrame柱状图示例,

df1 = DataFrame(data=np.random.randint(50,100,size=(9,3)),columns=list('ABC'),index=list('123456789'))
df1.plot(kind='bar')

# 改变方向
df1.plot(kind="barh")

直方图

series示例,kind='hist'

s1 = Series(data=np.array([1,1,4,1,3,5,8,8,5,5]))
s1.plot(kind='hist',bins=10)
# 不同的bins，会导致直方图显示的不一样

rondom生成随机数百分比直方图，调用hist方法

柱高表示数据的频数，柱宽表示各组数据的组距

参数bins可以设置直方图方柱的个数上限，越大柱宽越小，数据分组越细致

设置normed参数为True，可以把频数转换为概率

kde图：核密度估计，用于弥补直方图由于参数bins设置的不合理导致的精度缺失问题

s1.plot(kind='hist',bins=3,normed=True)
s1.plot(kind='kde')

示例: 绘制一个由两个不同的标准正态分布组成的双峰分布

n1 = np.random.normal(loc=50,scale=1,size=100)
n2 = np.random.normal(loc=70,scale=3,size=50)s = Series(data=np.concatenate((n1,n2)))
s.plot(kind='hist',normed=True,bins=30)
s.plot(kind='kde')

散点图

散布图散布图是观察两个一维数据数列之间的关系的有效方法,DataFrame对象可用

使用方法：设置kind = ‘scatter’，给明标签columns

散布图矩阵，当有多个点时，两两点的关系

使用函数：pd.plotting.scatter_matrix(),

参数diagnol：设置对角线的图像类型

x = Series(data=[1,3,5,7,9])
y = Series(data=[2,4,6,8,10])df = DataFrame(data = np.random.randint(0,10,size=(5,2)),columns=['A','B'])
df.A = x
df.B = y
df.plot(kind='scatter',x='A',y='B')

df2 = DataFrame(data=np.random.randn(10000,4),columns=list('ABCD'))
# DataFrme多列对应关系
# diagonal='kde' 设置对角线的图形显示模式
r = pd.plotting.scatter_matrix(df2,diagonal='kde')

jupyter入门之图像处理相关推荐

计算机视觉入门之图像处理＜六＞：图像锐化处理
往期文章回顾: 计算机视觉入门之<零> 计算机视觉入门之图像处理<一>:图像处理基础概念计算机视觉入门之图像处理<二>:图像处理基础概念计算机视觉入门之图像处理 ...
jupyter入门之Matplotlib
jupyter入门之Matplotlib 一. Matplotlib基础知识 Matplotlib中的基本图表包括的元素 x轴和y轴 axis 水平和垂直的轴线轴标签 axisLabel 水平和垂直 ...
JC-6、OpenCV+Tensorflow入门人工智能图像处理
目录 Beginner 1. Anaconda下载与环境搭建 2. 计算机视觉入门 hello world 2.1. OpenCV基础操作 2.1.1. 图片的读取与展示 2.1.2. OpenCV中 ...
图像入门——3. 图像处理的视觉基础与应用
图像的颜色模型颜色是视觉系统对可见光的感知结果.可见光是波长在380nm-780nm之间的电磁波. 我们看到的大多数光不是一种波长的光,而是由许多不同波长的光组合成的.人的视网膜有对红.绿.蓝颜色敏 ...
PyQt5高速入门（图像处理界面），期末作业好帮手（上）
本教程仅适用于PyQt5零基础入门选手应付作业使用,不包含任何原理及扩展,核心为糊弄学大师的养成.下面将基于一个图像处理案例,讲述如何高速入门PyQt5. 工具准备需要下载: 1. Pyt ...
3- OpenCV+TensorFlow 入门人工智能图像处理-TensorFlow入门
tensorflow基础入门思考一个问题: 如何刚好学习TensorFlow 类比为一门开发语言,学会语法,api的调用, 原理性掌握. 语言的要素: 基础数据类型运算符流程字典数组 imp ...
Java美颜相机入门（图像处理实现各种滤镜算法）
一.思路分析一款简易美颜相机的功能我们可以简单分为两大块:1.图像处理 2.功能区最终的效果图如下: 二.代码分析图像处理工具的本质是处理像素点,而像素点的本质就是一种颜色,每一个像素点都 ...
一篇入门数字图像处理
数字图像处理图像处理基础概述什么是图像通过成像系统拍摄,数字化之后二维数组就是一个图像如何访问图像图像有单通道和多通道(比如rgb)之分,访问时只需要以多维数组的形式访问即可图像仿射变换 ...
python用opencv实现图片的美白磨皮_12 - OpenCV+TensorFlow 入门人工智能图像处理-磨皮美白-多智时代...
磨皮美白上节课的+固定值,我们还可以变为乘以一个系数. foriinrange(0,height):forjinrange(0,width): (b,g,r)=img[i,j] bb=int(b*1 ...