图像的简单处理

from skimage.transform import rotate from skimage.feature import local_binary_pattern from skimage import data, io,data_dir,filters, feature,exposure from skimage.color import label2rgb import skimage import numpy as np import matplotlib.pyplot as plt from PIL import ImageEnhance import cv2 # settings for LBP radius = 1 # LBP算法中范围半径的取值 n_points = 8 * radius # 领域像素点数 # 读取图像 image = cv2.imread('pic/sunflower500x333.jpg') #显示到plt中，需要从BGR转化到RGB，若是cv2.imshow(win_name, image)，则不需要转化 image1 = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) gam1= exposure.adjust_gamma(image1, 2) #调暗 gam2= exposure.adjust_gamma(image1, 0.5) #调亮 plt.imshow(image1) plt.title('yuan tu',fontsize='large',fontweight='bold') plt.show() plt.imshow(gam1) plt.title('di liang du he dui bi du',fontsize='large',fontweight='bold') plt.show() plt.imshow(gam2) plt.title('gao liang du he dui bi du',fontsize='large',fontweight='bold') plt.show() # 灰度转换 # 转换为灰度图，但plt在显示灰度图的时候，默认以热力图的形式，所以下面还要设置 cmap=‘gray’ image = cv2.cvtColor(image1, cv2.COLOR_BGR2GRAY) gam1=cv2.cvtColor(gam1,cv2.COLOR_BGR2GRAY) gam2=cv2.cvtColor(gam2,cv2.COLOR_BGR2GRAY) plt.imshow(image, cmap='gray') plt.title('hui du tu',fontsize='large',fontweight='bold') plt.show() # LBP处理 lbp = local_binary_pattern(image, n_points, radius) plt.imshow(lbp, cmap='gray') plt.title('lbp',fontsize='large',fontweight='bold') plt.show() # 边缘提取,sobel算子提取结构信息 edges = filters.sobel(image) plt.imshow(edges, cmap='gray') plt.title('yuan tu bian yuan ti qu',fontsize='large',fontweight='bold') plt.show() edges_gam1=filters.sobel(gam1) plt.imshow(edges_gam1, cmap='gray') plt.title('di liang du bian yuan ti qu',fontsize='large',fontweight='bold') plt.show() edges_gam2=filters.sobel(gam2) plt.imshow(edges_gam2, cmap='gray') plt.title('gao liang di bian yuan ti qu',fontsize='large',fontweight='bold') plt.show() # 这个是没用的，因为最后一个需要显示的图像显示不出来 edges_gam3=filters.sobel(gam2) plt.imshow(edges_gam2, cmap='gray') plt.title('gao liang di bian yuan ti qu',fontsize='large',fontweight='bold') plt.show() # dst =cv2.normalize(src,dst [,double alpha=1,double beta=0,int norm_type,int dtype,mask]) # 用途：归一化数据。该函数分为范围归一化与数据值归一化 # 参数： # src 输入数组 # dst 输出数组，数组的大小和原数组一致； # alpha 1,用来规范值，2.规范范围，并且是下限； # beta 只用来规范范围并且是上限 # # norm_type 归一化选择的数学公式类型； # 1）NORM_MINMAX;（依据是：delta=max-min,也即最小值为0，最大值为1）最常用 # NORM_MINMAX:数组的数值被平移或缩放到一个指定的范围，线性归一化。 # 比如归一化到（min,max）范围内:(X-min(X))*(max-min)/(max(X)-min(X))+min # 2）NORM_INF;（切比雪夫距离）L∞范数(绝对值的最大值) X/max(abs(X)) # 3）NORM_L1;（曼哈顿距离）L1-范数(绝对值的和) X/sum(abs(X)) # 4）NORM_L2;（依据是：单位向量为1，也即每个数除以 根号下所有数的平方和） # (欧几里德距离)L2-范数 X/sqrt((sum(X^2))) # # dtype 为负输出数组type与输入数组type相同；为正仅通道数相同而tpye=CV_MAT_DEPTH(dtype). # mark 掩码。选择感兴趣区域，选定后只能对该区域进行操作。 # dst=np.zeros(image.shape,dtype=np.float32) # cv2.normalize(image,dst=dst,alpha=0.0,beta=1.0,norm_type=cv2.NORM_MINMAX) # cv2.imshow("NORM_L2",dst) # print(dst) # cv2.waitKey(0) # cv2.destroyAllWindows()