图像处理1,灰度,data,for循环批处理图片,图片属性查看,图片单通道查看,椒盐噪声的生成,滤波处理,图像分割

时间:2024-05-03 14:34:05

图像处理1

  • 灰度处理
  • data库的使用
  • for循环批处理图像
  • 对图像属性的查看
    • 图片类型
    • 图片尺寸
    • 图片宽度
    • 图像高度
    • 通道数
    • 总像素个数
    • 最大像素值
    • 最小像素值,像素平均值
    • 图像点像素值
  • for循环分别显示图像rgb通道
  • 椒盐噪声的生成
  • 中值滤波处理
  • 高斯模糊处理
  • 图像切割

灰度处理

from skimage import io
a = 'tuxian.jpg'
img = io.imread(a,as_gray=True)
io.imshow(img)
io.show()

在这里插入图片描述
这段代码使用Python中的skimage库来读取名为"tuxian.jpg"的图像文件赋值给a,并将其以灰度图像的形式加载到变量img中。然后使用skimage库中的io.imshow()函数显示图像,最后使用io.show()函数将图像显示在屏幕上。

data库的使用

from skimage import io, data
img = data.chelsea()
io.imshow(img)
io.show()

在这里插入图片描述
这里使用了data.chelsea()将data库中的小猫图片调用了出来

from skimage import data_dir
print(data_dir)

这段代码使用Python中的skimage库,并导入其中的data_dir模块。然后使用print语句打印出data_dir模块的值,该值表示skimage库中存储数据文件的目录路径。

from skimage import io, data
img = data.chelsea()
io.imshow(img)
io.imsave('C:/Users/daiyo/Desktop/jupyter库/工坊/xiaomao.jpg',img)
io.show()

此代码与上面的

from skimage import io, data
img = data.chelsea()
io.imshow(img)
io.show()

效果一样

for循环批处理图像

import os
from skimage import io

folder_path = 'C:/Users/daiyo/Desktop/jupyter库/工坊/图像'
save_folder_path = 'C:/Users/daiyo/Desktop/jupyter库/工坊/图像/savepng'

img_list = []

# 遍历文件夹中的所有文件
for filename in os.listdir(folder_path):
    if filename.endswith('.jpg'):
        img_path = os.path.join(folder_path, filename)
        img = io.imread(img_path)
        img_list.append(img)

# 保存图像为png格式
for i, img in enumerate(img_list):
    save_path = os.path.join(save_folder_path, f'image_{i}.png')  # 构造保存路径
    io.imsave(save_path, img)

在这里插入图片描述

  1. 首先导入必要的模块
  2. 设置源文件夹和目标文件夹的路径:
    folder_path:包含原始 .jpg 图像的文件夹路径。
    save_folder_path:将保存新的 .png 图像的目标文件夹路径。
  3. 初始化图像列表:
    创建一个空列表 img_list,用来存储从文件夹中读取的图像数据。
  4. 读取并存储图像数据:
    使用 os.listdir(folder_path) 遍历指定文件夹中的所有文件。
    对于每个文件,检查文件名是否以 .jpg 结尾。如果是,执行以下操作:
    使用 os.path.join(folder_path, filename) 构造完整的文件路径。
    使用 io.imread(img_path) 读取图像文件,并将读取的图像数据存储到变量 img 中。
    将 img 添加到列表 img_list 中。
  5. 保存图像为 PNG 格式:
    代码遍历img_list列表中的每个图像,使用enumerate()函数获取图像在列表中的索引i。
    然后构造保存路径save_path为save_folder_path下的’image_i.png’,其中i为图像在列表中的索引。最后使用io.imsave()函数将每个图像保存为png格式文件,保存在指定的文件夹路径下,文件名为’image_i.png’。

对图像属性的查看

图片类型

from skimage import io
a = 'tuxian.jpg'
img = io.imread('tuxian.jpg')
# io.imshow(img)
print("图片类型是",type(a))

在这里插入图片描述

图片尺寸

在这里插入图片描述

图片宽度

在这里插入图片描述

图像高度

在这里插入图片描述

通道数

在这里插入图片描述

总像素个数

在这里插入图片描述

最大像素值

在这里插入图片描述

最小像素值,像素平均值

在这里插入图片描述
在这里插入图片描述

图像点像素值

from skimage import io
img = io.imread('tuxian.jpg')
place = img[30, 40]
print(place)

在这里插入图片描述

for循环分别显示图像rgb通道

import cv2
img = cv2.imread("tuxian.jpg")
cv2.imshow("one1",img)
b = img[:,:,0]
g = img[:, :, 1]  
r = img[:, :, 2] 
cv2.imshow("b",b)
cv2.imshow("g", g)  
cv2.imshow("r", r) 
# 等待用户点击关闭窗口
while True:
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cv2.destroyAllWindows()

这段代码的功能是显示原始图像以及其分离的蓝色、绿色和红色通道的图像,并等待用户按下"q"键来关闭显示的窗口。
在这里插入图片描述

椒盐噪声的生成

from skimage import io
import numpy as np

img = io.imread('tuxian.jpg')
rows, cols, dims = img.shape

for i in range(5000):
    x = np.random.randint(0, rows)
    y = np.random.randint(0, cols)
    img[x, y, :] = 255

io.imshow(img)
io.imsave('after.jpg',img)
io.show()

这段代码的功能是在读取的图像上随机选取5000个像素位置,并将这些位置的像素值设置为白色,然后显示修改后的图像并保存为新的图像文件。
在这里插入图片描述

中值滤波处理

img2 = io.imread('after.jpg')
denoised_image = cv2.medianBlur(img2, 3)  # 3表示核的大小,可以根据需要调整
io.imshow(denoised_image)
io.show()

使用OpenCV库(cv2)中的medianBlur()函数对图像img2进行中值滤波处理,其中参数3表示核的大小。中值滤波是一种常用的去噪方法,可以有效地去除椒盐噪声。
在这里插入图片描述

高斯模糊处理

img2 = io.imread('after.jpg')
blurred_image = cv2.GaussianBlur(img2, (5, 5), 0)
io.imshow(blurred_image)
io.show()

使用OpenCV库(cv2)中的GaussianBlur()函数对图像img2进行高斯模糊处理。函数的第一个参数是输入图像,第二个参数是高斯核的大小,这里是(5, 5),第三个参数是高斯核的标准差,这里是0。高斯模糊是一种常用的去噪方法,可以平滑图像并降低噪声。
在这里插入图片描述

图像切割

from skimage import io
img = io.imread('羊.jpg')
roi = img[382:1075,810:1755,:]
# io.imshow(img)
io.imshow(roi)
io.show()

在这里插入图片描述

使用skimage库中的io模块读取了名为"羊.jpg"的图像,并将其存储在变量img中。然后,通过切片操作,选择了图像img中指定区域的感兴趣区域(ROI),即从382行到1075行、从810列到1755列的部分图像,并将其存储在变量roi中。
接着使用io.imshow()函数显示了选定的感兴趣区域roi,并调用io.show()函数展示了这个部分图像。