圖像處理的概論

圖像分析一般利用數(shù)學模型并結(jié)合圖像處理的技術來分析底層特征和上層結(jié)構，到從而提取具有一定智能性的信息，其中對圖片內(nèi)容分析，圖片內(nèi)容識別和檢測都離不開圖像的分類。

圖像分類目標：已有固定的分類標簽集合，然后對于輸入的圖像，從分類標簽集合中找出一個分類標簽，最后把分類標簽分配給該輸入圖像。

圖像處理流程

圖像分類

圖像數(shù)據(jù)分析的內(nèi)容是什么？內(nèi)容分析，內(nèi)容識別，檢測都離不開圖像的分類
分類目標：所謂圖像分類問題，就是已有固定的分類標簽集合，然后對于輸入的圖像，從分類標簽集合中找出一個分類標簽，最后把分類標簽分配給該輸入圖像。

圖像分類流程：

1.輸入：輸入是包含N個圖像的集合，每個圖像的標簽是K種分類標簽中的一種。這個集合稱為訓練集。
2學習：這一步的任務是使用訓練集來學習每個類到底長什么樣。一般該步驟叫做訓練分類器或者學習一個模型。
3.評價：讓分類器來預測它未曾見過的圖像的分類標簽，把分類器預測的標簽和圖像真正的分類標簽對比，并以此來評價分類器的質(zhì)量。

計算機通過訓練集｛dog(狗)，cat(貓)，truck(卡車)，plane(飛機)｝來學習dog，cat，truck，plane到底長什么樣，有什么特征，之后預測這張它未曾見過的圖像的分類標簽，把分類器預測的標簽和圖像真正的分類標簽對比，得出與分類標簽cat匹配率最高。

前面我們學習了機器學習的相關算法，作為底層的機器學習算法，它將會為我們提供一系列的算法支撐，最終幫助我們對圖像數(shù)據(jù)進行訓練，分類。

圖像處理應用場景

圖像相比文字能夠提供更加生動、容易理解及更具藝術感的信息，是人們轉(zhuǎn)遞與交換信息的重要來源。

圖像分類是根據(jù)圖像的語義信息將不同類別圖像區(qū)分開來，是計算機視覺中重要的基本問題，也是圖像檢測、圖像分割、物體跟蹤、行為分析等其他高層視覺任務的基礎。

圖像分類在很多領域有廣泛應用，包括安防領域的人臉識別和智能視頻分析等，交通領域的交通場景識別，互聯(lián)網(wǎng)領域基于內(nèi)容的圖像檢索和相冊自動歸類。

隨著人類活動范圍的不斷擴大，圖像分類的應用領域也將隨之不斷擴大，比如衛(wèi)星影像，醫(yī)學領域的圖像識別等，通過計算機圖像分類技術既節(jié)省人力，又加快了速度，還可以從照片中提取人工所不能發(fā)現(xiàn)的大量有用情報。

考古只是圖像分類在衛(wèi)星領域的一個很小的應用，現(xiàn)在世界各國都在利用陸地衛(wèi)星所獲取的圖像進行資源調(diào)查（如森林調(diào)查、海洋泥沙和漁業(yè)調(diào)查、水資源調(diào)查等），災害檢測（如病蟲害檢測、水火檢測、環(huán)境污染檢測等），資源勘察（如石油勘查、礦產(chǎn)量探測、大型工程地理位置勘探分析等），農(nóng)業(yè)規(guī)劃（如土壤營養(yǎng)、水份和農(nóng)作物生長、產(chǎn)量的估算等），城市規(guī)劃（如地質(zhì)結(jié)構、水源及環(huán)境分析等）。

圖像分類在生物醫(yī)學工程方面的應用十分廣泛，而且很有成效。除了上面介紹的痰液自動分析系統(tǒng)之外，還有一類是對醫(yī)用顯微圖像的處理分析，如紅細胞、白細胞分類，染色體分析，癌細胞識別等。此外，在X光肺部圖像增晰、超聲波圖像處理、心電圖分析、立體定向放射治療,CT技術等醫(yī)學診斷方面都廣泛地應用圖像處理技術。

圖像在計算機內(nèi)的結(jié)構

圖像在計算機中的結(jié)構
在進行圖像分類前我們了解一下圖像在計算機中的結(jié)構
對于計算機來說，圖像是一個由數(shù)字組成的巨大的3維數(shù)組。

圖像是對真實存在的或者人們想象的客觀對象的一種表示方式，這種方式能被人的視覺系統(tǒng)感知。但是對計算機來說，每張圖像都是由一個或者多個相同維度的數(shù)據(jù)通道構成。

以RGB彩色圖像為例，每張圖片都是由三個數(shù)據(jù)通道構成，分別為紅、綠和藍色通道。

而對于灰度圖像，則只有一個通道。

多光譜圖像一般有幾個到幾十個通道。高光譜圖像具有幾十到上百個通道。

我們主要介紹多通道情況下，最常見的紅綠藍（RGB）三通道，第一個維度是高度，第二個維度是寬度，第三個維度是通道數(shù)，即對于計算機來說，圖像是一個由數(shù)字組成的巨大的3維數(shù)組。

圖像如何進行分類，計算機是通過數(shù)據(jù)（數(shù)值）進行公式運算和算法迭代的，那么我們應該如何理解圖像呢？圖像是一個圖片，但是它不是數(shù)值，可是為什么我們的機器還可以運算呢？

因為在計算機里面讀取的圖片它是由數(shù)值矩陣構成的

圖示的矩陣里，每個元素都是一個3維數(shù)組，分別代表這個像素上的三個通道的值。

最常見的RGB通道中，第一個元素就是紅色（Red）的值，第二個元素是綠色（Green）的值，第三個元素是藍色（Blue）。

對于RNG通道，其卷積表示為高度×寬度×通道數(shù)，即H×W×C的表達方式。

在這個例子中，貓的圖像大小是寬248像素，高400像素，有3個顏色通道，分別是紅、綠和藍（簡稱RGB）。如此，該圖像就包含了248X400X3=297600個數(shù)字，每個數(shù)字都是在范圍0-255之間的整型，其中0表示全黑，255表示全白。

1.在計算機中圖像以三維數(shù)組的形式表達;
2.機器學習就是通過算法，使得機器能從大量歷史數(shù)據(jù)中學習規(guī)律，從而對新的樣本做智能識別或?qū)ξ磥碜鲱A測，機器學習算法的輸入可以是數(shù)組。
3.能否將這些數(shù)組放入機器學習算法中，通過比較數(shù)組的距離進行分類，最終通過機器學習算法實現(xiàn)圖像分類？

圖像與機器學習的關系

要使機器學習實現(xiàn)圖像分類，我們再回憶一下機器學習，即機器學習的一個核心目標是從過往經(jīng)驗數(shù)據(jù)中推導出規(guī)律，并將這種規(guī)律應用于新的數(shù)據(jù)中。

我們把機器從經(jīng)驗數(shù)據(jù)中推導并找到規(guī)律這一過程稱之為“訓練”，把將規(guī)律應用于新數(shù)據(jù)這一過程稱為“預測”，其中的規(guī)律我們稱為“模型”。

那么我們先從training image圖像訓練集合中發(fā)現(xiàn)一些規(guī)律和模型，然后將這些規(guī)律應用于新數(shù)據(jù)test image圖像，進行預測，從分類標簽集合中找出training image一個分類標簽，最后把分類標簽分配給該輸入圖像test image。

圖像分類的簡單實現(xiàn)

我們在進行線性分類前，先了解一下將會使用到的工具OpenCV

OpenCV是一個用于圖像處理、分析、機器視覺方面的開源函數(shù)庫
該庫包含了橫跨工業(yè)產(chǎn)品檢測、醫(yī)學圖像處理、安防、用戶界面、攝像頭標定、三維成像、機器視覺，該庫也包含了比較常用的一些機器學習算法

1.OpenCV的全稱是Open Source Computer Vision Library，是一個基于BSD許可（開源）發(fā)行的跨平臺計算機視覺庫，可以運行在Linux、Windows、Android和Mac OS操作系統(tǒng)上。它輕量級而且高效——由一系列 C 函數(shù)和少量 C++ 類構成，同時提供了Python、Ruby、MATLAB等語言的接口，是一個用于圖像處理、分析、機器視覺方面的開源函數(shù)庫。

2.該庫不僅夸平臺，跨語言，還包含了橫跨工業(yè)產(chǎn)品檢測、醫(yī)學圖像處理、安防、用戶界面、攝像頭標定、三維成像、機器視覺，同時包含了比較常用的一些機器學習算法。

環(huán)境配置地址：

• Anaconda:https://www.anaconda.com/download/

• Python_whl:https://www.lfd.uci.edu/~gohlke/pythonlibs/#opencv

安裝和配置環(huán)境

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python==3.4.2.16
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-contrib-python==3.4.2.16

第一個是Python的第三方庫：OpenCV提供的API，用于處理圖像相關的方法；第二個是用于圖像特征轉(zhuǎn)換的第三方庫，這兩個是配套使用的，如果我們在安裝這些第三方庫的時候直接使用:
pip install 庫名
那么它會默認按最新版安裝，但是由于特征提取算法在近些年有很多的算法包被申請了專利，并不是開源的，所以如果我們不指定版本直接按照默認版安裝，后續(xù)可能會出現(xiàn)報錯。

安裝好之后，我們不僅可以在jupyter notebook下使用，也可以在pycharm下使用這個方法，下面就開始進入圖像處理的知識。

cv2.imread(filepath,flags)
# filepath：要讀入圖片的完整路徑
# flags：讀入圖片的標志
# cv2.IMREAD_COLOR：默認參數(shù)，讀入一副彩色圖片，忽略alpha通道
# cv2.IMREAD_GRAYSCALE：讀入灰度圖片
# cv2.IMREAD_UNCHANGED：顧名思義，讀入完整圖片，包括alpha通道

#python語言中的OpenCV庫的名稱是cv2，可以直接import，即；
import cv2

#使用函數(shù)cv2.imread()讀取圖片。第一個參數(shù)是文件路徑；第二個參數(shù)指定以什么方式讀取：
#cv2.IMREAD_COLOR(1)：加載彩色圖片，這個是默認參數(shù)。
#cv2.IMREAD_GRAYSCALE(0)：以灰度模式加載圖片。
#cv2.IMREAD_UNCHANGED(-1)：包括alpha。

# Load input image -- 'table.jpg'
input_file = 'D:/ml/flower.jpg'
img = cv2.imread(input_file)

使用函數(shù)cv2.imread()讀取圖片,直接返回numpy.ndarray 對象，通道順序為BGR ，注意是BGR，通道值默認范圍0-255。

使用函數(shù)cv2.imshow() 顯示圖像。窗口會自動調(diào)整為圖像大小。第一個參數(shù)是窗口的名字，其次才是我們的圖像。你可以創(chuàng)建多個窗口，只要你喜歡，但是必須給他們不同的名字。

cv2.imshow('image',img1)
#也可以直接比較讀取到的兩張圖片的BGR差異：
print(img2-img))

CV.waitKey方法

# 使用函數(shù)cv2.imshow(wname,img)顯示圖像，第一個參數(shù)是顯示圖像的窗口的名字，第二個參數(shù)是要顯示的圖像（imread讀入的圖像），窗口大小自動調(diào)整為圖片大小
import cv2

cv2.imshow('image',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

# cv2.waitKey顧名思義等待鍵盤輸入，單位為毫秒，即等待指定的毫秒數(shù)看是否有鍵盤輸入，若在等待時間內(nèi)按下任意鍵則返回按鍵的ASCII碼，程序繼續(xù)運行。若沒有按下任何鍵，超時后返回-1。參數(shù)為0表示無限等待。不調(diào)用waitKey的話，窗口會一閃而逝，看不到顯示的圖片。

cv2.destroyAllWindow()#銷毀所有窗口
cv2.destroyWindow(wname)#銷毀指定窗口

圖像縮放

采用插值的思想！

#圖片縮放
height, width = img.shape[:2]
size = (int(width*0.3), int(height*0.5))
img= cv2.resize(img, size, interpolation=cv2.INTER_AREA)
cv2.imshow('img_shrink', img)
cv2.waitKey(0)

圖像混合

#圖像混合（需要圖片大小以及通道數(shù)一致）
img1 = cv2.imread('lena_small.jpg')
img2 = cv2.imread('opencv-logo-white.png')
res = cv2.addWeighted(img1, 0.6, img2, 0.4, 0)
#第一個參數(shù)是圖像變量，第二個是該圖像的權重

src1, src2：需要融合相加的兩副大小和通道數(shù)相等的圖像 alpha：src1的權重 beta：src2的權重
gamma：gamma修正系數(shù)，不需要修正設置為0
dst：可選參數(shù)，輸出結(jié)果保存的變量，默認值為None，如果為非None，輸出圖像保存到dst對應實參中，其大小和通道數(shù)與輸入圖像相同，圖像的深度（即圖像像素的位數(shù)）由dtype參數(shù)或輸入圖像確認
dtype：可選參數(shù)，輸出圖像數(shù)組的深度，即圖像單個像素值的位數(shù)（如RGB用三個字節(jié)表示，則為24位），選默認值None表示與源圖像保持一致。
返回值：融合相加的結(jié)果圖像

CV.imwrite 保存圖像

使用函數(shù)cv2.imwrite(file，img，num)保存一個圖像

第一個參數(shù)是要保存的文件名，第二個參數(shù)是要保存的圖像?？蛇x的第三個參數(shù)，它針對特定的格式：對于JPEG，其表示的是圖像的質(zhì)量，用0 - 100的整數(shù)表示，默認95;對于png ,第三個參數(shù)表示的是壓縮級別。默認為3.

cv2.IMWRITE_JPEG_QUALITY類型為 long ,必須轉(zhuǎn)換成 int
cv2.IMWRITE_PNG_COMPRESSION, 從0到9 壓縮級別越高圖像越小

cv2.imwrite('./img/1.png',img, [int( cv2.IMWRITE_JPEG_QUALITY), 95])
cv2.imwrite('1.png',img, [int(cv2.IMWRITE_PNG_COMPRESSION), 9])

CV2.flip

# 使用函數(shù)cv2.flip(img,flipcode)翻轉(zhuǎn)圖像，flipcode控制翻轉(zhuǎn)效果。
# flipcode = 0：沿x軸翻轉(zhuǎn)
# flipcode > 0：沿y軸翻轉(zhuǎn)
# flipcode < 0：x,y軸同時翻轉(zhuǎn)
import cv2
img = cv2.imread( 'flower.jpg')
imgflip = cv2.flip(img,1)
cv2.imshow(img)
cv2.waitKey(0)

每文一語

開啟新的生活！文章來源地址http://www.zghlxwxcb.cn/news/detail-725866.html

到了這里，關于機器學習之圖像處理——基本概念知識介紹的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網(wǎng)！