介绍
数字图像处理由在计算机上处理图像的各种技术和方法构成。 对图像进行各种各样的操作，构成数字图像处理。
知道图像实际上是什么样的图像基本上是二维信号。 信号函数是f(x，y )，其中x和y是一个点的值，以生成该点的像素。 图像基本上是由0到255之间的数字组成的二维数组。
图像处理涉及多种因素。 图像处理有几个主要动机。
图像处理有助于改善保存的数字信息。
自动化图像处理。
改进了映像优化，实现了高效的存储和传输。
近年来，图像处理有了很大的进步，图像处理的现代商业应用也很多。
图像处理用途1 .图像校正、锐化、分辨率校正通常希望旧图像更好。 这在今天是可能的。 这包括缩放、锐化、边缘检测和高动态范围编辑。 所有这些步骤都有助于增强映像。 大多数编辑软件和图像二维码都可以很容易地完成这些操作。
2 .编辑APP应用程序和社交媒体过滤器当前，大多数编辑APP应用程序和社交媒体APP应用程序都提供了过滤器。
以上是原始图像和过滤图像的示例。 滤镜使图像在视觉上看起来很吸引人。 滤镜通常是一组函数，用于更改图像中的颜色和其他元素，使图像看起来不同。 滤波器是图像处理的有趣应用。
3 .在医疗技术医学领域，影像处理用于PET扫描、x线影像学、医学CT、紫外线影像学、癌细胞影像学等多种任务。 将图像处理引入医疗技术领域大大改善了诊断过程。
左边的图像是原始图像。 右边的图像是经过处理的图像。 可见处理后的图像一直很好，可以用于更好的诊断。
4 .计算机/机器视觉图像处理最有趣、最有用的应用之一是计算机视觉。 计算机视觉用于使计算机看到和认识事物，并将整个环境作为一个整体进行处理。 计算机视觉的重要用途之一是自动驾驶汽车、无人机等。 CV有助于障碍物检测、路径识别、环境理解。
这就是典型的计算机视觉对汽车自动驾驶仪的工作方式。 计算机接收实时镜头，分析其他汽车、道路和其他障碍物。
5 .模式识别模式识别是图像处理的一部分，涉及人工智能和机器学习。 图像处理用于找出图像中的各种图案和方面。 模式识别用于手写分析、图像识别、计算机辅助医疗诊断等。
6 .视频处理视频基本上是图像的快速移动。 各种图像处理技术被用于视频处理。 视频处理的一些方法包括去噪、图像稳定、帧率转换、细节增强等。
在Python图像处理入门中，让我们从Python的基本图像相关任务开始。 我们用PIL。
pil:https://pypi.org/project/pillow /
Python图像库用于各种图像处理任务。
安装了pipinstallPILlow并安装了pil后，就可以移动到代码中了。
首先，我们使用一些matplotlib函数。
importmatplotlib.imageasimgimportmatplotlib.pyplotaspltimportnumpyasnp % matplotlibinline读取以下图像： 这被命名为image1.jpg。
# readingjpgimageimg=img.im read (image1.jpg ) (PLT.im show (img ) ) ) ) ) ) )。
图像被读取。
# modifyingtheshapeoftheimagelum1=img [ :0]PLT.imshow[lum1]目前已修改图像的形状。
将其更改为“热”颜色贴图。
有关彩色图表的详细信息，请参阅此链接。 https://matplotlib.org/stable/tutorials/colors/color maps.html。
PLT.imshow(lum1，cmap='hot ' ) plt.colorbar ) )图像输出如下所示：
现在，我们试试不同的颜色图。
imgplot=PLT.imshow(lum1) img plot.set _ cmap (' nipy _ spectral ' )图像输出：
使用颜色贴图的原因通常是，在各种APP应用程序和用途中具有统一的颜色贴图非常有用。 阅读色图详细信息：在Matplotlib中选择色图https://matplotlib.org/stable/tutorials/colors/color maps.html。
现在，让我们来看看为什么图像被称为二维数组。
# datatypeoflum 1打印(type (lum1) )输出： class 'numpy.ndarray '
打印(lum1) [[ 92 91 89 … 169 168 16
9][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]]
这些点只是为了表明它们之间还有更多的数据点。但是可以肯定的是，所有数据都是数字数据。
让我们找出数组的大小。
len(lum1)输出：320
len(lum1[300])输出：658
这为我们提供了图像的像素数和尺寸：320*658。
我们稍后也会验证这一点。
现在，我们使用 PIL。
from PIL import Image我们将使用这个图像文件，命名为：people.jpg。
img2 = Image.open('people.jpg')plt.imshow(img2)图像被读取。
现在，我们调整图像大小。
img2.thumbnail((50, 50), Image.ANTIALIAS) # resizes image in-placeimgplot = plt.imshow(img2) imgplot1 = plt.imshow(img2, interpolation="nearest") imgplot2 = plt.imshow(img2, interpolation="bicubic")但是，为什么我们在图像处理中故意模糊图像？通常对于模式识别和计算机视觉算法，如果图像非常清晰，处理起来就会很困难。因此进行模糊处理以使图像平滑。模糊还可以使图像中的颜色过渡从一侧到另一侧更加平滑。
现在，让我们验证我们之前处理过的汽车图像的尺寸。
#some more interesting stufffile='image1.jpg'with Image.open(file) as image: width, height = image.size #Image width, height is be obtained这些也是我们之前得到的维度。所以我们可以得出结论，图像是320*658。
让我们也尝试旋转和转置图像。
#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")这是旋转后的图像。
#transposing image transposed_img = img3.transpose(Image.FLIP_LEFT_RIGHT)#Saved in the same relative location transposed_img.save("transposed_img.jpg")这是转置后的图像。
尾注图像处理有各种重要的应用，随着时间的推移，方法和过程也会得到改进。
☆ END ☆
如果看到这里，说明你喜欢这篇文章，请转发、点赞。微信搜索「uncle_pn」，欢迎添加小编微信「 mthler」，每日朋友圈更新一篇高质量博文。
↓扫描二维码添加小编↓