关于Numpy

对图像处理来说，numpy数组是非常重要的。图像由像素值网格构成，numpy数组更像列表，更适合用于科学计算。

为什么需要numpy进行图像处理

当我们想将图像的亮度提升2倍，直接对列表进行乘法计算。

a = [1,2,3,4,5]b = 2*aprint(b)

结果如下。这个结果并不是我们想看到的，它仅仅是将同一列表进行两次连接。这也是为什么我们需要用的numpy数组进行图像计算。

[1, 2, 3, 4, 5, 1, 2, 3, 4, 5]

在numpy中进行相同的操作

import numpy as npc = np.array(a) #将列表转换为numpy数组d = 2*cprint(d)

[ 2  4  6  8 10]

numpy的其他操作

例如，numpy数组相加，但注意进行相加时，数组的维数应该是一致的。即当进行图像相加时，最好保证两幅图像的阵列尺寸是一致的。

a = np.array([1,2,3,4,5])b = np.array([6,7,8])c = np.array([9,10,11,12,13])print(a+b) # not possible as the dimensions are different

结果如下。

Traceback (most recent call last):  File "
   
    ", line 1, in 
    
         print(a+b)ValueError: operands could not be broadcast together with shapes (5,) (3,)

print(a+c) #possible

[10 12 14 16 18]

图像处理中，numpy数据的类型

在图像处理中，常将numpy数据的类型设为float64。举个例子，如果你要对你的图像某一像素值进行除以2操作，该像素值为11，那么结果为5，出现舍入错误，而设为float类型，得到正确数据。当你不确定你的结果时，将数据类型设为float，避免输出结果错误。

图像处理中的numpy运用

创建和待处理图像大小相同的numpy数组

from skimage import ioimg1 = io.imread('C:/Users/stacey/Pictures/lena.png')print(type(img1))a = np.ones_like(img1)

从图像中获取较小的区域

b = a[:2] #通过切片

得到每行、列的总值

column_sum = np.sum(a,axis=0) # 得到每一列的总值row_sum = np.sum(a,axis=1) #得到每一行的总值

获得数组的转置

transposed = a.T

转载地址：http://lqugn.baihongyu.com/

你可能感兴趣的文章