Python图像处理学习记录
Python中的list和numpy中的array的区别
-
python中的list和numpy中的array是完全不一样的两个东西，list可以存放不同类型的数据，比如int、float和str，甚至布尔型；而一个numpy数组中存放的数据类型必须全部相同，例如int或float。
-
在list中的数据类型保存的是数据的存放的地址，即指针而非数据(底层是C语言，这样想想也很正常)，例如a=[1,2,3,4]需要4个指针和四个数据，增加了存储和消耗cpu，而a=np.array([1,2,3,4])只需要存放四个数据，读取和计算更加方便。
-
所以列表List可以存放不同类型的数据，因此列表中每个元素的大小可以相同，也可以不同，所以也就不支持一次性读取一列。即使是对于标准的二维数字列表([[1,2,3,4]]这种)，所以纯数字的我们最好都使用numpy的数据类型去操作。
-
多维的list和array的访问方法也不尽相同，list仅支持a[0][0]的访问方式，numpy的array支持a[0][0]和a[0,0]两种访问方式。
#List的访问方法
a = [[1,2,'list'],[4,5,6]]
print(a[0][2])
#numpy.array的访问方法
import numpy as np
b = np.array([[1,2,3],[4,5,6]], np.uint8)
print(b[0][0])
print(b[0,0])
Python的取余运算
取余运算并不复杂，例如 23 % 5 = 3，但是对于含有负数的取余运算有时候会会让人摸不着头脑，例如 -23 % 5 = ？，23 % -5 = ？， -23 % -5 = ？。实际上取余运算与计算机的除法取整方法有密切关系，计算机上有几种对除法结果取整的方法：
- 向上取整，向+∞方向取最接近精确值的整数，也就是取比实际结果稍大的最小整数，也叫 Ceiling 取整。这种取整方式下，17 / 10 == 2，5 / 2 == 3, -9 / 4 == -2。
- 向下取整，向-∞方向取最接近精确值的整数，也就是取比实际结果稍小的最大整数，也叫 Floor 取整。这种取整方式下，17 / 10 == 1，5 / 2 == 2, -9 / 4 == -3。
- 向零取整，向0方向取最接近精确值的整数，换言之就是舍去小数部分，因此又称截断取整（Truncate）。这种取整方式下，17 / 10 == 1，5 / 2 == 2, -9 / 4 == -2。
Python 的除法结果取整方法是向下取整，即 Floor 取整。 可以使用地板除//检验。
Python的取余运算的具体计算方法为：__ x%y = x - (x//y)*y __，以下为一段检验Python的取余运算方法的代码：
def remainder(x, y):
return (x - (x//y)*y)
x, y = -100, 13
print(x % y, remainder(x, y))
RGB图像的数据分析
使用图像为5x6像素的彩色图像:
放大后图象：
由图中可见，第1行到第5行像素的颜色依次为黑、红、绿、蓝、白，读出图片的数据并打印出来。分析可知：
- 该彩色图像数据为5x6x3的三维数组img,数据类型为uint8；
- 每一个像素为一个1x3的矩阵对应红绿蓝RGB三原色，其中第一个元素为蓝色B、第二个元素为绿色G、第一个元素为红色R；
- img[0,:,:]对应第一行像素，img[:,0,:]对应第一列像素，img[:,:,0]对应每个像素的蓝色分量，其他类推。
代码：
import cv2
img = cv2.imread("img\\bmp5_6.bmp",cv2.IMREAD_COLOR)
print('图像数据：\n', img)
print('数据结构', img.shape)
print('数据类型', img.dtype)
print('第一行数据\n', img[0,:,:])
print('第一列数据\n', img[:,0,:])
print('图像的蓝色分量\n', img[:,:,0])
cv2.imshow("bmp5_6.bmp", img)
cv2.waitKey(0)
cv2.destroyAllWindows()
打印结果：
图像数据：
[[[ 0 0 0]
[ 0 0 0]
[ 0 0 0]
[ 0 0 0]
[ 0 0 0]
[ 0 0 0]]
[[ 0 0 255]
[ 0 0 255]
[ 0 0 255]
[ 0 0 255]
[ 0 0 255]
[ 0 0 255]]
[[ 0 255 0]
[ 0 255 0]
[ 0 255 0]
[ 0 255 0]
[ 0 255 0]
[ 0 255 0]]
[[255 0 0]
[255 0 0]
[255 0 0]
[255 0 0]
[255 0 0]
[255 0 0]]
[[255 255 255]
[255 255 255]
[255 255 255]
[255 255 255]
[255 255 255]
[255 255 255]]]
数据结构 (5, 6, 3)
数据类型 uint8
第一行数据
[[0 0 0]
[0 0 0]
[0 0 0]
[0 0 0]
[0 0 0]
[0 0 0]]
第一列数据
[[ 0 0 0]
[ 0 0 255]
[ 0 255 0]
[255 0 0]
[255 255 255]]
图像的蓝色分量
[[ 0 0 0 0 0 0]
[ 0 0 0 0 0 0]
[ 0 0 0 0 0 0]
[255 255 255 255 255 255]
[255 255 255 255 255 255]]
图像缩放最近邻法插值的Python实现
图像缩放最邻近法插值的原理：
- 原图像坐标(x,y), 缩放后图像坐标(X,Y)
- 缩放比例为scale[0,1]，(X,Y)和 (x,y)满足如下关系：
X = x * scale[0]， 即 x = X / scale[0]
Y = y * scale[1]， 即 y = Y / scale[1]- 缩放后坐标(X,Y)的图像选取原图像坐标(X/scale[0], Y/scale[1])距离最近的点的图像—因为X/scale[0]和Y/scale[1]可能都不是整数
- 离(X/scale[0], Y/scale[1])距离最近的点只可能是以下四个：
0: (int(X/scale[0]), int(Y/scale[1]))
1: (int(X/scale[0])+1, int(Y/scale[1]))
2: (int(X/scale[0]), int(Y/scale[1])+1)
3: (int(X/scale[0])+1, int(Y/scale[1])+1)
依据最邻近法插值的原理编写了图像缩放最邻近法的实现函数，代码如下：
import numpy as np
import cv2
import math as m
#图像近邻法缩放
#------------------------------------------------------------------------------
#函数名称：ft_nearestScaling
#输入参数：
# image,输入图像，数据类型：array
# scale,缩放比例系数， 数据类型：2元素元组，(x轴缩放比例，y轴缩放比例)
#输出参数：
# imgOut,输出图像，数据类型：array
#------------------------------------------------------------------------------
def ft_nearestScaling(image, scale):
h, w = image.shape[:2]
H = int(h * scale[0])
W = int(w * scale[1])
if len(image.shape) == 3:
imgOut = np.zeros((H,W,3), np.uint8)
else:
imgOut = np.zeros((H,W), np.uint8)
for X in range(0, H):
for Y in range(0, W):
x = X / scale[0]
y = Y / scale[1]
x_int = int(x)
y_int = int(y)
dist = {
}
dist[0] = abs(x - x_int) + abs(y - y_int)
dist[1] = abs(x - (x_int + 1)) + abs(y - y_int)
dist[2] = abs(x - x_int) + abs(y - (y_int + 1))
dist[3] = abs(x - (x_int + 1)) + abs(y - (y_int + 1))
min_dist = min(dist)
if min_dist == 0:
imgOut[X,Y] = image[x_int, y_int]
elif min_dist == 1:
imgOut[X,Y] = image[x_int + 1, y_int]
elif min_dist == 2:
imgOut[X,Y] = image[x_int, y_int + 1]
elif min_dist == 3:
imgOut[X,Y] = image[x_int + 1, y_int + 1]
return imgOut
img = cv2.imread("explorer.png", cv2.IMREAD_COLOR)
img_out = ft_nearestScaling(img, (1.35,1.3))
cv2.imshow('img', img)
cv2.imshow('img_out', img_out)
cv2.waitKey(0)
cv2.destroyAllWindows()