人工智能AI培训_图像数据预处理实验

　　本实验使用OpenCV图像处理库实现基本的图像预处理操作。包括图像的颜色空间转换、坐标变化、灰度变化、直方图变化和图像滤波。

​

　　本实验建议安装3.6以上版本的Python环境，并且需要安装OpenCV，numpy，matplotlib第三方库。

　　4.实验步骤
　　4.1.基本操作
　　注意：所有实验1.4中代码所读取的图片，学员可选用自己电脑本地的图片读取；图片路径为自己本地的实际路径。
　　步骤 1图像的读取和显示​

　　import cv2
　　# 读取一副图像 第一个参数是图像路径
　　# 第二个参数代表读取方式，1表示3通道彩色，0表示单通道灰度
　　im = cv2.imread(r"lena512color.tiff",1)
　　# 在"test"窗口中显示图像im
　　cv2.imshow("test",im)
　　# 等待用户按键反馈
　　cv2.waitKey()
　　# 销毁所有创建的窗口
　　cv2.destroyAllWindows()
​　　步骤 2显示数据类型和图像尺寸
　　# 打印图像数据的数据结构类型
　　print(type(im))
　　# 打印图像的尺寸
　　print(im.shape)
　　步骤 3图像的保存
　　# 将图像保存到指定路径
　　cv2.imwrite('lena.jpg',im)
​　　4.2.颜色空间转换
　　步骤 1彩色图像灰度化
　　import cv2
　　im = cv2.imread(r"lena.jpg")
　　cv2.imshow("BGR",im)
　　# 使用cvtColor进行颜色空间变化 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()
　　步骤 2更换三通道顺序BGR为RGB
　　import cv2
　　im = cv2.imread(r"lena.jpg")
　　cv2.imshow("BGR",im)
　　# 使用cvtColor进行颜色空间变化 cv2.COLOR_BGR2RGB 代表BGR to RGB
　　im_rgb = cv2.cvtColor(im, cv2.COLOR_BGR2RGB)
　　# 当图像数据为3通道时，imshow函数认为数据是BGR的
　　# 使用imshow显示RGB数据，会发现图片显示颜色畸变
　　cv2.imshow("RGB",im_rgb)
　　cv2.waitKey()
　　cv2.destroyAllWindows()
　　步骤 3BGR和HSV颜色空间转换
　　import cv2
　　im = cv2.imread(r"lena.jpg")
　　cv2.imshow("BGR",im)
　　# 使用cvtColor进行颜色空间变化 cv2.COLOR_BGR2HSV 代表BGR to HSV
　　im_hsv = cv2.cvtColor(im, cv2.COLOR_BGR2HSV)
　　# 当图像数据为3通道时，imshow函数认为数据是BGR的
　　# 使用imshow显示HSV数据，会将HSV分量强行当做BGR进行显示
　　cv2.imshow("HSV",im_hsv)
　　cv2.waitKey()
　　cv2.destroyAllWindows()
　　4.3.坐标变化
　　步骤 1平移
　　import numpy as np
　　import cv2
　　# 定义平移translate函数
　　def translate(img, x, y):
　　# 获取图像尺寸
　　(h, w) = img.shape[:2]
　　# 定义平移矩阵
　　M = np.float32([[1, 0, x], [0, 1, y]])
　　# 使用OpenCV仿射变换函数实现平移操作
　　shifted = cv2.warpAffine(img, M, (w, h))
　　# 返回转换后的图像
　　return shifted
　　# 加载图像并显示
　　im = cv2.imread('lena.jpg')
　　cv2.imshow("Orig", im)
　　# 对原图做平移操作
　　# 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()
　　步骤 2旋转
　　import numpy as np
　　import cv2
　　# 定义旋转rotate函数
　　def rotate(img, angle, center=None, scale=1.0):
　　# 获取图像尺寸
　　(h, w) = img.shape[:2]
　　# 旋转中心的缺失值为图像中心
　　if center is None:
　　center = (w / 2, h / 2)
　　# 调用计算旋转矩阵函数
　　M = cv2.getRotationMatrix2D(center, angle, scale)
　　# 使用OpenCV仿射变换函数实现旋转操作
　　rotated = cv2.warpAffine(img, M, (w, h))
　　# 返回旋转后的图像
　　return rotated
　　im = cv2.imread('lena.jpg')
　　cv2.imshow("Orig", im)
　　# 对原图做旋转操作
　　# 逆时针45度
　　rotated = rotate(im, 45)
　　cv2.imshow("Rotate1", rotated)
　　# 顺时针20度
　　rotated = rotate(im, -20)
　　cv2.imshow("Rotate2", rotated)
　　# 逆时针90度
　　rotated = rotate(im, 90)
　　cv2.imshow("Rotate3", rotated)
　　cv2.waitKey()
　　cv2.destroyAllWindows()
　　步骤 3镜像
　　import numpy as np
　　import cv2
　　im = cv2.imread('lena.jpg')
　　cv2.imshow("orig", im)
　　# 进行水平镜像
　　im_flip0 = cv2.flip(im, 0)
　　cv2.imshow("flip vertical ", im_flip0)
　　# 进行垂直镜像
　　im_flip1 = cv2.flip(im, 1)
　　cv2.imshow("flip horizontal ", im_flip1)
　　cv2.waitKey()
　　cv2.destroyAllWindows()
　　步骤 4缩放
　　import numpy as np
　　import cv2
　　im = cv2.imread('lena.jpg')
　　cv2.imshow("orig", im)
　　# 获取图像尺寸
　　(h, w) = im.shape[:2]
　　# 缩放的目标尺寸
　　dst_size = (200,300)
　　# 最邻近插值
　　method = cv2.INTER_NEAREST
　　# 进行缩放
　　resized = cv2.resize(im, dst_size, interpolation = method)
　　cv2.imshow("resized1", resized)
　　# 缩放的目标尺寸
　　dst_size = (800,600)
　　# 双线性插值
　　method = cv2.INTER_LINEAR
　　# 进行缩放
　　resized = cv2.resize(im, dst_size, interpolation = method)
　　cv2.imshow("resized2", resized)
　　cv2.waitKey()
　　cv2.destroyAllWindows()
　　4.4.灰度变化
　　步骤 1灰度变化。反转，灰度拉伸，灰度压缩
　　import numpy as np
　　import cv2
　　from matplotlib import pyplot as plt
　　# 定义线性灰度变化函数
　　# k>1时 实现灰度数值的拉伸
　　# 0<k<1时 实现灰度数值的压缩
　　# k=-1 b=255 实现灰度反转
　　def linear_trans(img, k, b=0):
　　# 计算灰度线性变化的映射表
　　trans_list = [(np.float32(x)*k+b) for x in range(256)]
　　# 将列表转换为np.array
　　trans_table =np.array(trans_list)
　　# 将超过[0,255]灰度范围的数值进行调整,并指定数据类型为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函数修改图像的灰度值
　　return cv2.LUT(img, trans_table)
　　im = cv2.imread('lena.jpg',0)
　　cv2.imshow('org', im)
　　# 反转
　　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)
　　# 灰度压缩
　　im_compress = linear_trans(im, 0.8)
　　cv2.imshow('graycompress', im_compress)
　　cv2.waitKey()
　　cv2.destroyAllWindows()
　　步骤 2伽马变化
　　import numpy as np
　　import cv2
　　from matplotlib import pyplot as plt
　　# 定义伽马变化函数
　　def gamma_trans(img, gamma):
　　# 先归一化到1，做伽马计算，再还原到[0,255]
　　gamma_list = [np.power(x / 255.0, gamma) * 255.0 for x in range(256)]
　　# 将列表转换为np.array，并指定数据类型为uint8
　　gamma_table = np.round(np.array(gamma_list)).astype(np.uint8)
　　# 使用OpenCV的look up table函数修改图像的灰度值
　　return cv2.LUT(img, gamma_table)
　　im = cv2.imread('lena.jpg',0)
　　cv2.imshow('org', im)
　　# 使用伽马值为0.5的变化，实现对暗部的拉升，亮部的压缩
　　im_gama05 = gamma_trans(im, 0.5)
　　cv2.imshow('gama0.5', im_gama05)
　　# 使用伽马值为2的变化，实现对亮部的拉升，暗部的压缩
　　im_gama2 = gamma_trans(im, 2)
　　cv2.imshow('gama2', im_gama2)
　　cv2.waitKey()
　　cv2.destroyAllWindows()
　　4.5.直方图
　　步骤 1直方图的显示
　　import cv2
　　from matplotlib import pyplot as plt
　　# 读取并显示图像
　　im = cv2.imread("lena.jpg",0)
　　cv2.imshow('org', im)
　　# 绘制灰度图像的直方图
　　plt.hist(im.ravel(), 256, [0,256])
　　plt.show()
　　# 等待用户按键反馈
　　cv2.waitKey()
　　cv2.destroyAllWindows()
　　步骤 2直方图均衡化
　　import cv2
　　from matplotlib import pyplot as plt
　　im = cv2.imread("lena.jpg",0)
　　cv2.imshow('org', im)
　　# 调用OpenCV的直方图均衡化API
　　im_equ1 = cv2.equalizeHist(im)
　　cv2.imshow('equal', im_equ1)
　　# 显示原始图像的直方图
　　plt.subplot(2,1,1)
　　plt.hist(im.ravel(), 256, [0,256],label='org')
　　plt.legend()
　　# 显示均衡化图像的直方图
　　plt.subplot(2,1,2)
　　plt.hist(im_equ1.ravel(), 256, [0,256],label='equalize')
　　plt.legend()
　　plt.show()
　　# 等待用户按键反馈后销毁窗口
　　cv2.waitKey()
　　cv2.destroyAllWindows()
　　4.6.滤波
　　步骤 1中值滤波
　　import cv2
　　import numpy as np
　　im = cv2.imread('lena.jpg')
　　cv2.imshow('org',im)
　　# 调用OpenCV的中值模糊API
　　im_medianblur = cv2.medianBlur(im, 5)
　　cv2.imshow('median_blur',im_medianblur)
　　cv2.waitKey(0)
　　cv2.destroyAllWindows()
　　步骤 2均值滤波
　　# 方法一：直接调用OpenCV的API
　　import cv2
　　import numpy as np
　　im = cv2.imread('lena.jpg')
　　cv2.imshow('org',im)
　　# 调用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 自定义滤波操作
　　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进行滤波操作
　　im_meanblur2 = cv2.filter2D(im,-1,mean_blur)
　　cv2.imshow('mean_blur_2',im_meanblur2)
　　cv2.waitKey(0)
　　cv2.destroyAllWindows()
　　步骤 3高斯滤波
　　# 方法一：直接调用OpenCV的API
　　import cv2
　　import numpy as np
　　im = cv2.imread('lena.jpg')
　　cv2.imshow('org',im)
　　# 调用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 自定义滤波操作
　　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进行滤波操作
　　im_gaussianblur2 = cv2.filter2D(im,-1,gaussian_blur)
　　cv2.imshow('gaussian_blur_2',im_gaussianblur2)
　　cv2.waitKey(0)
　　cv2.destroyAllWindows()
　　步骤 4锐化
　　import cv2
　　import numpy as np
　　im = cv2.imread('lena.jpg')
　　cv2.imshow('org',im)
　　# 锐化算子
　　sharpen_1 = np.array([
　　[-1,-1,-1],
　　[-1,9,-1],
　　[-1,-1,-1]])
　　# 使用filter2D进行滤波操作
　　im_sharpen1 = cv2.filter2D(im,-1,sharpen_1)
　　cv2.imshow('sharpen_1',im_sharpen1)
　　# 锐化算子2
　　sharpen_2 = np.array([
　　[0,-1,0],
　　[-1,8,-1],
　　[0,1,0]])/4.0
　　# 使用filter2D进行滤波操作
　　im_sharpen2 = cv2.filter2D(im,-1,sharpen_2)
　　cv2.imshow('sharpen_2',im_sharpen2)
　　cv2.waitKey(0)
　　cv2.destroyAllWindows()
​　　5.实验小结
　　本章主要介绍了应用基于Python语言的OpenCV图像处理库进行图像预处理实验的具体操作。使用OpenCV图像处理库实现了图像的颜色空间转换、坐标变化、灰度变化、直方图变化和图像滤波。加深对图像预处理技术的感知，为使用图像预处理技术提供了实际的操作指导。