处理流程

在Python中，通过【plt】和【numpy】可以实现图像处理的最简单的流程，即读取图片->处理图片->显示结果->保存结果。

import matplotlib.pyplot as plt
import numpy as np

path = 'lena.jpg'
img = plt.imread(path).astype(float)/255
blue = img[:,:,2]

fig = plt.figure()
ax = fig.add_subplot(121)
ax.imshow(img)
plt.title("rgb")

ax = fig.add_subplot(122)
ax.imshow(blue, cmap='Blues')
plt.title("blue channel")

plt.savefig("test.png")
plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18

其中，imread函数用于读取图片，默认数据类型是8位无符号整型，为了便于后续处理，故而将其转换为float类型。

读取到的lena图是RGB图像，共有三个通道，将其第三个通道，即蓝色通道抽取出来，赋予一个新的变量，此即我们的处理流程。

接下来，显示RGB图像和蓝色通道图像的区别，可通过imshow函数进行绘图。根据数据类型的不同，imshow默认的颜色映射方式不同，对于8位无符号整型，默认0和255为黑色和白色；对于浮点数来说，默认0和1为黑色和白色。由于图像已经转换为浮点数，故除以255，以完成从$[0,255]$到$[0,1]$的映射，从而可以正确显示其色彩。

对于单个通道的图像，则需指明映射方式，即cmap参数，由于我们抽选了蓝色通道，故而将其伪彩映射设为Blues。绘图结果如下

最后，savefig可将图像存储为文件，由此便完成了图像处理的基本流程。

灰度分布图

单通道图像作为一种矩阵数据，所有适用于矩阵的统计信息，都可用于图像处理。诸如均值、峰值、极差、标准差等均适用于图像数据，此外，灰度直方图也是一个重要的统计特征，通过plt.hist可直接对单个通道进行绘制，这些均与通常的数据处理相似。

有时，我们比较关心图像的灰度值在横向和纵向的分布，尤其是在寻找信号的时候，如下图所示

这个图像分别按行和按列统计了三个通道的灰度和，根据上面的统计数据可知，在横坐标为80左右的位置，有一个突变，结合图像中的内容可知，这里的确是某个柜子框线。

下面是绘图代码，由于lena图有3个通道，所以在对每行或者每列像素求和时，选择分别对三个通道进行操作。而后在绘制曲线时，对三个通道的值也使用了不同的颜色方案。通过tick_params函数，取消了上图底部和右图左侧的坐标刻度。

xs = [np.sum(img[:,:,i],0) for i in range(3)]
ys = [np.sum(img[:,:,i],1) for i in range(3)]

fig = plt.figure()
gs = fig.add_gridspec(2, 2,
    width_ratios=(4, 1),
    height_ratios=(1, 4))

ax = fig.add_subplot(gs[1, 0])
ax.imshow(img)        # 散点图绘制

xHist = fig.add_subplot(gs[0, 0], sharex=ax)
xHist.tick_params(axis="x", labelbottom=False)

yHist = fig.add_subplot(gs[1, 1], sharey=ax)
yHist.tick_params(axis="y", labelleft=False)

colors = 'rgb'
for i in range(3):
    xHist.plot(xs[i], color=colors[i])
    yHist.plot(ys[i], np.arange(len(ys[i])),color=colors[i])

plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23