python完成数字图像处理小练习

之前简单学习了python后着迷于anaconda里各种完善丰富的包和jupyter notebook这种友好的ide。正好有一份数字图像处理的小练习，若从零开始用matlab实在折腾，决定用python做。

po上解决过程中一些小小问题和解决方案。

1.绘制图像直方图code

from PIL import Image
import numpy as np
import matplotlib.pyplot as plt
img=np.array(Image.open('d:/pic/lena.jpg').convert('L'))  //要注意python本来打开图像是RGB格式，需要转换

plt.figure("lena")
arr=img.flatten()
n, bins, patches = plt.hist(arr, bins=256, normed=1, alpha=0.75)  //三个返回值都有对应作用！
plt.show()

返回值 ：

n: 直方图向量，是否归一化由参数 normed 设定

bins: 返回各个bin的区间范围

patches: 返回每个bin里面包含的数据，是一个list

plt.hist()中参数： 必给arr, bins最好设为256或1以表明灰度区间，其他自行选择

2.python不同方式读取图像的差异

3.用skimage库显示图片一定有三步！

附scikit-image官方文档

4.习惯使用Vimium后，如果快捷键和页面中更重要的快捷键冲突，比如 b:打开being搜索与notebook的b:insert a cell below冲突，x:关闭某个页面与notebook的x:删除当前cell冲突；可以通过exclude来禁用vimium的某些设定~

5.直方图均衡在现成模块 exposure中有函数，可直接使用（还是要自己试下原理）

处理前后直方图对比

6.偶然发现两个imshow（）显示的图像大小不同，暂未找到原因

7.一开始通过Image模块读取图像进行直方图均衡发现图像失真，因为在np.array()中将图像convert成了灰度图像。

在PIL中，从模式“RGB”转换为“L”模式是按照下面的公式转换的：

L = R * 299/1000 + G * 587/1000+ B * 114/1000

img2_1= np.array(Image.open('2-1.png').convert('L'))
hist2_1,bins=np.histogram(img1.flatten(),range(256))

new2_1 = ex.equalize_hist(img2_1)
plt.imshow(img2_1,cmap='gray')
plt.show()
plt.imshow(new2_1,cmap='gray')
plt.show()
#处理彩色图像时发现加了convert(‘L’)会失真

8.了解图像一些基本的特征

img=img2_1
print(type(img))  #显示类型
print(img.shape)  #显示尺寸
print(img.shape[0])  #图片宽度
print(img.shape[1])  #图片高度
print(img.shape[2])  #图片通道数
print(img.size)   #显示总像素个数
print(img.max())  #最大像素值
print(img.min())  #最小像素值
print(img.mean()) #像素平均值

最后，图像增强部分到目前还是不太理解频率域的滤波，但是总体而言对ＤＩＰ的框架已经搭起来了。目标是课程最后自己可以完成图像（目标）识别。