這里寫目錄標題

• • 本節的目標
• 背景
• • • 灰度變換和空間濾波基礎

本節的目標

• 了解空間域圖像處理的意義，以及它與變換域圖像處理的區別
• 熟悉灰度變換所有的主要技術
• 了解直方圖的意義以及如何操作直方圖來增強圖像
• 了解空間濾波的原理

import sys import numpy as np import cv2 import matplotlib import matplotlib.pyplot as plt import PIL from PIL import Imageprint(f"Python version: {sys.version}") print(f"Numpy version: {np.__version__}") print(f"Opencv version: {cv2.__version__}") print(f"Matplotlib version: {matplotlib.__version__}") print(f"Pillow version: {PIL.__version__}") Python version: 3.6.12 |Anaconda, Inc.| (default, Sep 9 2020, 00:29:25) [MSC v.1916 64 bit (AMD64)] Numpy version: 1.16.6 Opencv version: 3.4.1 Matplotlib version: 3.3.2 Pillow version: 8.0.1 def normalize(mask):return (mask - mask.min()) / (mask.max() - mask.min() + 1e-5)

背景

灰度變換和空間濾波基礎

$$g(x,y)=T[f(x,y)]\text{\hspace{1em}(3.1)}$$

式中$f(x,y)$是輸入圖像， $g(x,y)$是輸出圖像，$T$是在點$(x,y)$的一個鄰域上定義的針對f的算子。

最小的鄰域大小為$1\times 1$
則式(3.1)中的$T$稱為灰度（也稱灰度級或映射）變換函數，簡寫為如下：
$$s=T(r)\text{\hspace{1em}(3.2)}$$

對比度拉伸

• 通過將$k$以下的灰度級變暗，并將高于$k$的灰度級變亮，產生比原圖像對比度更高的一幅圖像

閾值處理函數

• 小于$k$的處理為0，大于$k$的設置為1，產生一幅二級（二值）圖像

# 顯示一個圖像的3x3鄰域 height, width = 18, 18 img_ori = np.ones([height, width], dtype=np.float)# 圖像3x3=9個像素賦了不同的值，以便更好的顯示 kernel_h, kernel_w = 3, 3 img_kernel = np.zeros([kernel_h, kernel_w], dtype=np.float) for i in range(img_kernel.shape[0]):for j in range(img_kernel.shape[1]):img_kernel[i, j] = 0.3 + 0.1 * i + 0.1 * j img_kernel[kernel_h//2, kernel_w//2] = 0.9img_ori[5:5+kernel_h, 12:12+kernel_w] = img_kernelfig = plt.figure(figsize=(7, 7), num='a') plt.matshow(img_ori, fignum='a', cmap='gray', vmin=0, vmax=1) plt.show()

為什么會把Sigmoid函數寫在這里

從Sigmoid函數的圖像曲線來看，與分段線性函數的曲線類似，所以在一定程度上可以用來代替對比度拉伸，這樣就不需要輸入太多的參數。當然，有時可能也得不到想要的結果，需要自己多做實驗。

sigmoid函數也是神經網絡用得比較多的一個激活函數。

def sigmoid(x, scale):"""simgoid fuction, return ndarray value [0, 1]param: input x: array like param: input scale: scale of the sigmoid fuction, if 1, then is original sigmoid fuction, if < 1, then the values between 0, 1will be less, if scale very low, then become a binary fuction; if > 1, then the values between 0, 1 will be more, if scalevery high then become a y = x"""y = 1 / (1 + np.exp(-x / scale))return y # sigmoid fuction plot x = np.linspace(0, 10, 100) x1 = x - x.max() / 2 # Here shift the 0 to the x center, here is 5, so x1 = [-5, 5] t_stretch = sigmoid(x1, 1) t_binary = sigmoid(x1, 0.001)plt.figure(figsize=(10, 5)) plt.subplot(121), plt.plot(x, t_stretch), plt.title('s=T(r)'), plt.ylabel('$s_0 = T(r_0)$', rotation=0) plt.xlabel('r'), plt.xticks([]), plt.yticks([]) plt.subplot(122), plt.plot(x, t_binary), plt.title('s=T(r)'), plt.ylabel('$s_0 = T(r_0)$', rotation=0) plt.xlabel('r'), plt.xticks([]), plt.yticks([]) plt.tight_layout plt.show()

總結

以上是生活随笔為你收集整理的第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波1 - 灰度变换和空间滤波基础、Sigmoid激活函数的全部內容，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。