人工智能AI培訓_圖像數據預處理實驗

　　本實驗使用OpenCV圖像處理庫實現基本的圖像預處理操作。包括圖像的顏色空間轉換、坐標變化、灰度變化、直方圖變化和圖像濾波。

?

　　本實驗建議安裝3.6以上版本的Python環境，并且需要安裝OpenCV，numpy，matplotlib第三方庫。

　　4.實驗步驟
　　4.1.基本操作
　　注意：所有實驗1.4中代碼所讀取的圖片，學員可選用自己電腦本地的圖片讀??；圖片路徑為自己本地的實際路徑。
　　步驟 1圖像的讀取和顯示?

　　import cv2
　　# 讀取一副圖像 第一個參數是圖像路徑
　　# 第二個參數代表讀取方式，1表示3通道彩色，0表示單通道灰度
　　im = cv2.imread(r"lena512color.tiff",1)
　　# 在"test"窗口中顯示圖像im
　　cv2.imshow("test",im)
　　# 等待用戶按鍵反饋
　　cv2.waitKey()
　　# 銷毀所有創建的窗口
　　cv2.destroyAllWindows()
?　　步驟 2顯示數據類型和圖像尺寸
　　# 打印圖像數據的數據結構類型
　　print(type(im))
　　# 打印圖像的尺寸
　　print(im.shape)
　　步驟 3圖像的保存
　　# 將圖像保存到指定路徑
　　cv2.imwrite('lena.jpg',im)
?　　4.2.顏色空間轉換
　　步驟 1彩色圖像灰度化
　　import cv2
　　im = cv2.imread(r"lena.jpg")
　　cv2.imshow("BGR",im)
　　# 使用cvtColor進行顏色空間變化 cv2.COLOR_BGR2GRAY 代表BGR to gray
　　img_gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
　　cv2.imshow("Gray",img_gray)
　　cv2.waitKey()
　　cv2.destroyAllWindows()
　　步驟 2更換三通道順序BGR為RGB
　　import cv2
　　im = cv2.imread(r"lena.jpg")
　　cv2.imshow("BGR",im)
　　# 使用cvtColor進行顏色空間變化 cv2.COLOR_BGR2RGB 代表BGR to RGB
　　im_rgb = cv2.cvtColor(im, cv2.COLOR_BGR2RGB)
　　# 當圖像數據為3通道時，imshow函數認為數據是BGR的
　　# 使用imshow顯示RGB數據，會發現圖片顯示顏色畸變
　　cv2.imshow("RGB",im_rgb)
　　cv2.waitKey()
　　cv2.destroyAllWindows()
　　步驟 3BGR和HSV顏色空間轉換
　　import cv2
　　im = cv2.imread(r"lena.jpg")
　　cv2.imshow("BGR",im)
　　# 使用cvtColor進行顏色空間變化 cv2.COLOR_BGR2HSV 代表BGR to HSV
　　im_hsv = cv2.cvtColor(im, cv2.COLOR_BGR2HSV)
　　# 當圖像數據為3通道時，imshow函數認為數據是BGR的
　　# 使用imshow顯示HSV數據，會將HSV分量強行當做BGR進行顯示
　　cv2.imshow("HSV",im_hsv)
　　cv2.waitKey()
　　cv2.destroyAllWindows()
　　4.3.坐標變化
　　步驟 1平移
　　import numpy as np
　　import cv2
　　# 定義平移translate函數
　　def translate(img, x, y):
　　# 獲取圖像尺寸
　　(h, w) = img.shape[:2]
　　# 定義平移矩陣
　　M = np.float32([[1, 0, x], [0, 1, y]])
　　# 使用OpenCV仿射變換函數實現平移操作
　　shifted = cv2.warpAffine(img, M, (w, h))
　　# 返回轉換后的圖像
　　return shifted
　　# 加載圖像并顯示
　　im = cv2.imread('lena.jpg')
　　cv2.imshow("Orig", im)
　　# 對原圖做平移操作
　　# 下移50像素
　　shifted = translate(im, 0, 50)
　　cv2.imshow("Shift1", shifted)
　　# 左移100像素
　　shifted = translate(im, -100, 0)
　　cv2.imshow("Shift2", shifted)
　　# 右移50，下移100像素
　　shifted = translate(im, 50, 100)
　　cv2.imshow("Shift3", shifted)
　　cv2.waitKey()
　　cv2.destroyAllWindows()
　　步驟 2旋轉
　　import numpy as np
　　import cv2
　　# 定義旋轉rotate函數
　　def rotate(img, angle, center=None, scale=1.0):
　　# 獲取圖像尺寸
　　(h, w) = img.shape[:2]
　　# 旋轉中心的缺失值為圖像中心
　　if center is None:
　　center = (w / 2, h / 2)
　　# 調用計算旋轉矩陣函數
　　M = cv2.getRotationMatrix2D(center, angle, scale)
　　# 使用OpenCV仿射變換函數實現旋轉操作
　　rotated = cv2.warpAffine(img, M, (w, h))
　　# 返回旋轉后的圖像
　　return rotated
　　im = cv2.imread('lena.jpg')
　　cv2.imshow("Orig", im)
　　# 對原圖做旋轉操作
　　# 逆時針45度
　　rotated = rotate(im, 45)
　　cv2.imshow("Rotate1", rotated)
　　# 順時針20度
　　rotated = rotate(im, -20)
　　cv2.imshow("Rotate2", rotated)
　　# 逆時針90度
　　rotated = rotate(im, 90)
　　cv2.imshow("Rotate3", rotated)
　　cv2.waitKey()
　　cv2.destroyAllWindows()
　　步驟 3鏡像
　　import numpy as np
　　import cv2
　　im = cv2.imread('lena.jpg')
　　cv2.imshow("orig", im)
　　# 進行水平鏡像
　　im_flip0 = cv2.flip(im, 0)
　　cv2.imshow("flip vertical ", im_flip0)
　　# 進行垂直鏡像
　　im_flip1 = cv2.flip(im, 1)
　　cv2.imshow("flip horizontal ", im_flip1)
　　cv2.waitKey()
　　cv2.destroyAllWindows()
　　步驟 4縮放
　　import numpy as np
　　import cv2
　　im = cv2.imread('lena.jpg')
　　cv2.imshow("orig", im)
　　# 獲取圖像尺寸
　　(h, w) = im.shape[:2]
　　# 縮放的目標尺寸
　　dst_size = (200,300)
　　# 最鄰近插值
　　method = cv2.INTER_NEAREST
　　# 進行縮放
　　resized = cv2.resize(im, dst_size, interpolation = method)
　　cv2.imshow("resized1", resized)
　　# 縮放的目標尺寸
　　dst_size = (800,600)
　　# 雙線性插值
　　method = cv2.INTER_LINEAR
　　# 進行縮放
　　resized = cv2.resize(im, dst_size, interpolation = method)
　　cv2.imshow("resized2", resized)
　　cv2.waitKey()
　　cv2.destroyAllWindows()
　　4.4.灰度變化
　　步驟 1灰度變化。反轉，灰度拉伸，灰度壓縮
　　import numpy as np
　　import cv2
　　from matplotlib import pyplot as plt
　　# 定義線性灰度變化函數
　　# k>1時 實現灰度數值的拉伸
　　# 0<k<1時 實現灰度數值的壓縮
　　# k=-1 b=255 實現灰度反轉
　　def linear_trans(img, k, b=0):
　　# 計算灰度線性變化的映射表
　　trans_list = [(np.float32(x)*k+b) for x in range(256)]
　　# 將列表轉換為np.array
　　trans_table =np.array(trans_list)
　　# 將超過[0,255]灰度范圍的數值進行調整,并指定數據類型為uint8
　　trans_table[trans_table>255] = 255
　　trans_table[trans_table<0] = 0
　　trans_table = np.round(trans_table).astype(np.uint8)
　　# 使用OpenCV的look up table函數修改圖像的灰度值
　　return cv2.LUT(img, trans_table)
　　im = cv2.imread('lena.jpg',0)
　　cv2.imshow('org', im)
　　# 反轉
　　im_inversion = linear_trans(im, -1, 255)
　　cv2.imshow('inversion', im_inversion)
　　# 灰度拉伸
　　im_stretch = linear_trans(im, 1.2)
　　cv2.imshow('graystretch', im_stretch)
　　# 灰度壓縮
　　im_compress = linear_trans(im, 0.8)
　　cv2.imshow('graycompress', im_compress)
　　cv2.waitKey()
　　cv2.destroyAllWindows()
　　步驟 2伽馬變化
　　import numpy as np
　　import cv2
　　from matplotlib import pyplot as plt
　　# 定義伽馬變化函數
　　def gamma_trans(img, gamma):
　　# 先歸一化到1，做伽馬計算，再還原到[0,255]
　　gamma_list = [np.power(x / 255.0, gamma) * 255.0 for x in range(256)]
　　# 將列表轉換為np.array，并指定數據類型為uint8
　　gamma_table = np.round(np.array(gamma_list)).astype(np.uint8)
　　# 使用OpenCV的look up table函數修改圖像的灰度值
　　return cv2.LUT(img, gamma_table)
　　im = cv2.imread('lena.jpg',0)
　　cv2.imshow('org', im)
　　# 使用伽馬值為0.5的變化，實現對暗部的拉升，亮部的壓縮
　　im_gama05 = gamma_trans(im, 0.5)
　　cv2.imshow('gama0.5', im_gama05)
　　# 使用伽馬值為2的變化，實現對亮部的拉升，暗部的壓縮
　　im_gama2 = gamma_trans(im, 2)
　　cv2.imshow('gama2', im_gama2)
　　cv2.waitKey()
　　cv2.destroyAllWindows()
　　4.5.直方圖
　　步驟 1直方圖的顯示
　　import cv2
　　from matplotlib import pyplot as plt
　　# 讀取并顯示圖像
　　im = cv2.imread("lena.jpg",0)
　　cv2.imshow('org', im)
　　# 繪制灰度圖像的直方圖
　　plt.hist(im.ravel(), 256, [0,256])
　　plt.show()
　　# 等待用戶按鍵反饋
　　cv2.waitKey()
　　cv2.destroyAllWindows()
　　步驟 2直方圖均衡化
　　import cv2
　　from matplotlib import pyplot as plt
　　im = cv2.imread("lena.jpg",0)
　　cv2.imshow('org', im)
　　# 調用OpenCV的直方圖均衡化API
　　im_equ1 = cv2.equalizeHist(im)
　　cv2.imshow('equal', im_equ1)
　　# 顯示原始圖像的直方圖
　　plt.subplot(2,1,1)
　　plt.hist(im.ravel(), 256, [0,256],label='org')
　　plt.legend()
　　# 顯示均衡化圖像的直方圖
　　plt.subplot(2,1,2)
　　plt.hist(im_equ1.ravel(), 256, [0,256],label='equalize')
　　plt.legend()
　　plt.show()
　　# 等待用戶按鍵反饋后銷毀窗口
　　cv2.waitKey()
　　cv2.destroyAllWindows()
　　4.6.濾波
　　步驟 1中值濾波
　　import cv2
　　import numpy as np
　　im = cv2.imread('lena.jpg')
　　cv2.imshow('org',im)
　　# 調用OpenCV的中值模糊API
　　im_medianblur = cv2.medianBlur(im, 5)
　　cv2.imshow('median_blur',im_medianblur)
　　cv2.waitKey(0)
　　cv2.destroyAllWindows()
　　步驟 2均值濾波
　　# 方法一：直接調用OpenCV的API
　　import cv2
　　import numpy as np
　　im = cv2.imread('lena.jpg')
　　cv2.imshow('org',im)
　　# 調用OpenCV的均值模糊API
　　im_meanblur1 = cv2.blur(im, (3, 3))
　　cv2.imshow('mean_blur_1',im_meanblur1)
　　cv2.waitKey(0)
　　cv2.destroyAllWindows()
　　# 方法二：使用均值算子和filter2D 自定義濾波操作
　　import cv2
　　import numpy as np
　　im = cv2.imread('lena.jpg')
　　cv2.imshow('org',im)
　　# 均值算子
　　mean_blur = np.ones([3, 3], np.float32)/9
　　# 使用filter2D進行濾波操作
　　im_meanblur2 = cv2.filter2D(im,-1,mean_blur)
　　cv2.imshow('mean_blur_2',im_meanblur2)
　　cv2.waitKey(0)
　　cv2.destroyAllWindows()
　　步驟 3高斯濾波
　　# 方法一：直接調用OpenCV的API
　　import cv2
　　import numpy as np
　　im = cv2.imread('lena.jpg')
　　cv2.imshow('org',im)
　　# 調用OpenCV的高斯模糊API
　　im_gaussianblur1 = cv2.GaussianBlur(im, (5, 5), 0)
　　cv2.imshow('gaussian_blur_1',im_gaussianblur1)
　　cv2.waitKey(0)
　　cv2.destroyAllWindows()
　　# 方法二：使用高斯算子和filter2D 自定義濾波操作
　　import cv2
　　import numpy as np
　　im = cv2.imread('lena.jpg')
　　cv2.imshow('org',im)
　　# 高斯算子
　　gaussian_blur = np.array([
　　[1,4,7,4,1],
　　[4,16,26,16,4],
　　[7,26,41,26,7],
　　[4,16,26,16,4],
　　[1,4,7,4,1]], np.float32)/273
　　# 使用filter2D進行濾波操作
　　im_gaussianblur2 = cv2.filter2D(im,-1,gaussian_blur)
　　cv2.imshow('gaussian_blur_2',im_gaussianblur2)
　　cv2.waitKey(0)
　　cv2.destroyAllWindows()
　　步驟 4銳化
　　import cv2
　　import numpy as np
　　im = cv2.imread('lena.jpg')
　　cv2.imshow('org',im)
　　# 銳化算子
　　sharpen_1 = np.array([
　　[-1,-1,-1],
　　[-1,9,-1],
　　[-1,-1,-1]])
　　# 使用filter2D進行濾波操作
　　im_sharpen1 = cv2.filter2D(im,-1,sharpen_1)
　　cv2.imshow('sharpen_1',im_sharpen1)
　　# 銳化算子2
　　sharpen_2 = np.array([
　　[0,-1,0],
　　[-1,8,-1],
　　[0,1,0]])/4.0
　　# 使用filter2D進行濾波操作
　　im_sharpen2 = cv2.filter2D(im,-1,sharpen_2)
　　cv2.imshow('sharpen_2',im_sharpen2)
　　cv2.waitKey(0)
　　cv2.destroyAllWindows()
?　　5.實驗小結
　　本章主要介紹了應用基于Python語言的OpenCV圖像處理庫進行圖像預處理實驗的具體操作。使用OpenCV圖像處理庫實現了圖像的顏色空間轉換、坐標變化、灰度變化、直方圖變化和圖像濾波。加深對圖像預處理技術的感知，為使用圖像預處理技術提供了實際的操作指導。