SciPy庫

SciPy庫，與之前我們使用的NumPy和Matplotlib，都是scipy.org提供的用于科學計算方面的核心庫。相對NumPy，SciPy庫提供了面向更高層應用的算法和函數(其實也是基于NumPy實現的），并以子模塊的形式組織，每個子模塊對應不同的應用領域，下面列出我們關心的一部分進行說明：
constants：物理和數學常量
fftpack：快速傅里葉（立）變換
integrate: 積分和方程
interpolate: 插值
linalg: 線性代數
ndimage: N維圖像處理
optimize: 優化及根求解

安裝

sudo apt-get install python-scipy

圖像模糊數學原理

以灰度圖像為例，把圖像的每個像素的灰度值，變換為它周圍鄰近的N個像素值的平均值，得出的圖像就有了模糊效果，但這種效果不理想，體現不出邊緣（不夠自然吧），所以提出了一種比較理想的方法，就是使用加權平均值，因為對某個像素而言，離它越近的像素，與它的關聯性越高，所以權值應該越大，相反，離它越遠的像素，與它的關聯性越低，權值應該越小。

那分配權值應該使用什么樣的算法呢？最常用的就是高斯分布函數。

高斯分布函數其實應該是高斯分布的概率密度函數，簡稱高斯分布函數或正態分布函數，它的二維空間的形態像一個鐘，如圖：

這里我們只關心二維的高斯分布函數，因為等下我們要把它應用在二維圖像的像素的權值分配上。下面是二維空間的高斯分布函數公式：

這個公式被稱作高斯核。如果我們給定sigma（如0.84089642）的值，以及高斯分布的（范圍）大小，就可以得出一個矩陣如：

注意中心元素 (4,4)處有最大值，隨著距離中心越遠，數值一圈圈地對稱減小。這樣，矩陣的每個元素相對中心點的權值就已經知道了，如果我們把這個矩陣的中心對應到圖像的每個點，就可以知道中心點對應的像素應該如何通過周圍的點來計算。

如果矩陣的中心對應到原圖像邊沿的像素點，那么可能有一部分矩陣的元素落到圖像之外，為保證能正常運算，一種簡單的處理就是把圖像一邊的數據復制到缺少的一邊去。

對原圖像的每個像素點，運用上面的權值矩陣，算出加權平均值，作為新圖像的像素值，這個運算可以用原圖像與矩陣的卷積來表示，而參與卷積的這個矩陣，叫模板，這種卷積運算，叫模板卷積。模板也稱為算子。上面示例的這個矩陣，其實就是高斯平均算子。

高斯模糊

使用高斯平均算子來實現的圖像模糊叫高斯模糊(Gaussian blurring，也叫高斯平滑)
被認為是一種最優的圖像平滑處理。除了模糊，還可以用來磨皮（美顏）、制作景深、實現夢幻效果等。下面我們使用Python來對一幅圖像進行模糊處理。

我們不必自己實現高斯模糊的計算過程，因為前面介紹的scipy的ndimage子模塊中就包含了高斯濾波器，它是一個函數：

scipy.ndimage.filters.gaussian_filter(input, sigma, order=0, ... 多維高斯濾波器 input: ndarray sigma: 高斯核標準偏差，越大越模糊 order: 默認0，使用高斯核進行計算，還可以指定不同值使用高斯一階、二階導數，以后再說

以下代碼示例以sigma為2,5,10分別對一張圖像進行模糊，我們使用的是GRB圖像，有3個通道，必須對每個通道都應用濾波器：

from PIL import Image import numpy as np from scipy.ndimage import filters import matplotlib.pyplot as pltim = np.array(Image.open('Penguins.jpg'))index = 141 #畫1行四列的圖，與 1,4,1 同 plt.subplot(index) plt.imshow(im)for sigma in (2, 5, 10):im_blur = np.zeros(im.shape, dtype=np.uint8)for i in range(3): #對圖像的每一個通道都應用高斯濾波im_blur[:,:,i] = filters.gaussian_filter(im[:,:,i], sigma)index += 1plt.subplot(index)plt.imshow(im_blur)plt.show()

不同的sigma模糊程度對比：

小結

下一個筆記將記錄有關圖像邊緣檢測的實現，還會繼續運用模板卷積運算，將涉及到圖像導數，以及用于邊緣檢測的常用算子的介紹。

參考資料
維基百科：高斯模糊
高斯模糊淺析
高斯模糊的算法
[計算機視覺特征提取與圖像處理（第三版）]

總結

以上是生活随笔為你收集整理的Programming Computer Vision with Python （学习笔记五）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。