Scikit 图像 - Numpy 图像

NumPy(也称为"Numerical Python")是 Python 中用于数值计算的最关键的基础包之一。NumPy 的核心数据结构是 ndarray(N 维数组)，它是相同数据类型元素的同质集合。这些数组可以是任何维度，例如 1D、2D 甚至更高维度的数组。NumPy 提供了大量数学函数来有效地操作这些 N 维数组。

scikit-image 中的图像表示为 NumPy ndarray(多维数组)。scikit-image 库建立在 NumPy 之上，它使用 NumPy 数组来表示图像。因此，scikit-image 库可以有效地执行各种图像处理任务。

将图像表示为 NumPy 数组

将图像表示为 NumPy 数组，提供了一种方便有效的方法来存储和操作图像数据。

这里，NumPy 数组的维度对应于图像维度，例如高度、宽度和颜色通道。对于灰度图像，数组通常是二维的(高度 x 宽度)。对于彩色图像，数组是三维的(高 x 宽 x 3)，其中最后一个维度代表红色、绿色和蓝色通道。

示例 1

以下示例演示了如何在 scikit-image 中将彩色图像表示为 NumPy 数组。

from skimage import io

# 将图像读取为灰度图像
img_array = io.imread('Images/Dog.jpg')

# 从图像数组显示图像属性
print('以下是加载图像的属性:')

print("图像对象的数据类型:", type(img_array))
print("图像形状:", img_array.shape)
print("图像数据类型:", img_array.dtype)

输入图像

输出

以下是加载的图像的属性:
图像对象的数据类型:<class 'numpy.ndarray'>
图像形状:(479, 500, 3)
图像数据类型:uint8

示例 2

让我们看看灰度图像的 NumPy 数组表示。

from skimage import io

# 将图像读取为灰度图像
img_array = io.imread('Images/dog.jpg', as_gray=True)

# 从图像数组显示图像属性
print('以下是加载图像的属性:')

print("图像对象的数据类型:", type(img_array))
print("图像形状:", img_array.shape)
print("图像数据类型:", img_array.dtype)

输出

以下是加载的图像的属性:
图像对象的数据类型:<class 'numpy.ndarray'>
图像形状:(479, 500)
图像数据类型:float64

索引和切片

NumPy 的索引和切片功能可用于访问和操作图像数据。使用 NumPy 灵活的索引和切片语法可以裁剪图像、选择特定颜色通道或对图像内的特定区域应用操作。

示例

以下示例演示了如何使用 NumPy 的索引和切片语法修改 Scikit-image 中的图像。

from skimage import io

# 将图像读取为灰度图像
img_array = io.imread('Images/Tajmahal.jpg')

# 获取第 10 行第 20 列像素的值
pixel_value = img_array[10, 20]
print('图像数组第 10 行第 20 列的像素', pixel_value)

# 将值 0 设置为第 3 行第 10 列的像素
img_array[3, 10] = 0

# 在图像中选择一个区域
roi = img_array[100:200, 200:300]

# 将所选区域中的像素值设置为红色 (255, 0, 0)
roi[:] = (255, 0, 0)

# 显示修改后的图像图像
io.imshow(img_array)
io.show()

输入图像

输出

运行上述代码将得到以下结果 −

图像数组第 10 行第 20 列的像素 [ 81 97 110]

此外，它还生成以下图像 −